web-dev-qa-db-fra.com

Quelle est la différence entre 'transform' et 'fit_transform' dans sklearn

Dans la boîte à outils sklearn-python, il existe deux fonctions transform et fit_transform à propos sklearn.decomposition.RandomizedPCA. La description de deux fonctions est la suivante

enter image description hereenter image description here

Mais quelle est la différence entre eux?

pythonpython-2.7scikit-learn
74
tqjustc

Voici la différence que vous ne pouvez utiliser pca.transform que si vous avez déjà calculé PCA sur une matrice

   In [12]: pc2 = RandomizedPCA(n_components=3)

    In [13]: pc2.transform(X) # can't transform because it does not know how to do it.
    ---------------------------------------------------------------------------
    AttributeError                            Traceback (most recent call last)
    <ipython-input-13-e3b6b8ea2aff> in <module>()
    ----> 1 pc2.transform(X)

    /usr/local/lib/python3.4/dist-packages/sklearn/decomposition/pca.py in transform(self, X, y)
        714         # XXX remove scipy.sparse support here in 0.16
        715         X = atleast2d_or_csr(X)
    --> 716         if self.mean_ is not None:
        717             X = X - self.mean_
        718 

    AttributeError: 'RandomizedPCA' object has no attribute 'mean_'

    In [14]: pc2.ftransform(X) 
    pc2.fit            pc2.fit_transform  

    In [14]: pc2.fit_transform(X)
    Out[14]: 
    array([[-1.38340578, -0.2935787 ],
           [-2.22189802,  0.25133484],
           [-3.6053038 , -0.04224385],
           [ 1.38340578,  0.2935787 ],
           [ 2.22189802, -0.25133484],
           [ 3.6053038 ,  0.04224385]])

si vous voulez utiliser .transform vous devez enseigner la règle de transformation à votre pca

In [20]: pca = RandomizedPCA(n_components=3)

In [21]: pca.fit(X)
Out[21]: 
RandomizedPCA(copy=True, iterated_power=3, n_components=3, random_state=None,
       whiten=False)

In [22]: pca.transform(z)
Out[22]: 
array([[ 2.76681156,  0.58715739],
       [ 1.92831932,  1.13207093],
       [ 0.54491354,  0.83849224],
       [ 5.53362311,  1.17431479],
       [ 6.37211535,  0.62940125],
       [ 7.75552113,  0.92297994]])

In [23]:

En particulier, PCA transform applique le changement de base obtenu avec la décomposition PCA de la matrice X à la matrice Z.

17
Donbeo

Dans scikit-learn estimator api ,

fit(): utilisé pour générer les paramètres du modèle d'apprentissage à partir des données d'apprentissage

transform(): paramètres générés à partir de la méthode fit(), appliqués au modèle pour générer l'ensemble de données transformé.

fit_transform(): combinaison de fit() et transform() api sur le même jeu de données

enter image description here

Commander Chapitre 4 de ceci livre & réponse de stackexchange pour plus de clarté

50
Ronak Poriya

Ces méthodes sont utilisées pour centrer/mettre à l'échelle les données données. Il aide fondamentalement à normaliser les données dans une plage particulière

Pour cela, nous utilisons la méthode Z-score.

Z-Score

Nous faisons cela sur l'ensemble de données de formation.

1. Fit (): La méthode calcule les paramètres μ et σ et les enregistre en tant qu'objets internes.

2. Transformer (): La méthode utilisant ces paramètres calculés applique la transformation à un ensemble de données particulier.

3. Fit_transform (): joint les méthodes fit () et transform () pour la transformation du jeu de données.

Extrait de code pour Feature Scaling/Standardization (after train_test_split).

from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
sc.fit_tranform(X_train)
sc.tranform(X_test)

Nous appliquons la même transformation (ensemble d'apprentissage aux mêmes deux paramètres µ et σ (valeurs)) sur notre ensemble d'essai.

27
shaurya uppal

Différence générique entre les méthodes:

  • fit (raw_documents [ y]): apprendre un dictionnaire de vocabulaire de tous les jetons des documents bruts.
  • fit = fit_transform (raw_documents [ y]): apprenez le dictionnaire de vocabulaire et renvoyez la matrice terme-document. Cela équivaut à un ajustement suivi de la transformation, mais mis en œuvre plus efficacement.
  • transform (raw_documents): Transforme les documents en matrice de termes de document. Extraire les compteurs de jetons à partir de documents en texte brut en utilisant le vocabulaire associé à fit ou celui fourni au constructeur.

Fit_transform et transform retournent tous deux la même matrice Document-term.

Source

3
Nikita Jain

Voici la différence fondamentale b/w .fit () & .fit_transform ():

.fit(): is use in the Supervised learning having two object/parameter(x,y) to fit model and make model to run, where we know that what we are going to predict, while
.fit_transform()L is use in Unsupervised Learning having one object/parameter(x), where we don't know, what we are going to predict.
1
a zEnItH