Основи попередньої обробки даних і побудови конвеєрів вже розглянуто. Наступний етап — моделювання.

Модель у Scikit-learn — це естіматор, який надає методи .predict() та .score(), а також успадковує .fit() від усіх естіматорів.

.fit()

Після попередньої обробки даних і підготовки їх до моделі першим кроком побудови моделі є навчання моделі. Це виконується за допомогою .fit(X, y).

Під час навчання модель засвоює все необхідне для здійснення прогнозів. Те, що вивчає модель, і тривалість навчання залежать від обраного алгоритму. Для кожної задачі існує багато моделей, заснованих на різних алгоритмах. Деякі навчаються повільніше, інші — швидше.

Однак навчання зазвичай є найбільш трудомісткою частиною машинного навчання. Якщо навчальна вибірка велика, навчання моделі може тривати хвилини, години або навіть дні.

.predict()

Після навчання моделі за допомогою методу .fit() вона може виконувати прогнозування. Прогнозування здійснюється просто викликом методу .predict():

model.fit(X, y) # Train a model
y_pred = model.predict(X_new) # Get a prediction

Зазвичай потрібно передбачити цільову змінну для нових об'єктів, X_new.

.score()

Метод .score() використовується для оцінки продуктивності навченої моделі. Зазвичай він обчислюється на тестовій вибірці (у наступних розділах буде пояснено, що це таке). Ось синтаксис:

model.fit(X, y) # Training the model
model.score(X_test, y_test)

Метод .score() вимагає фактичних значень цільової змінної (y_test у прикладі). Він обчислює прогноз для екземплярів X_test і порівнює цей прогноз із істинною ціллю (y_test) за допомогою певної метрики. За замовчуванням цією метрикою є точність для задач класифікації.