我不明白为什么要使用fit_transform方法，当transform方法可以给出与只使用fit变换方法相同的输出时，fit方法的全部意义是什么？我打印了x_train和x_test，它们都给出了类似的输出。from sklearn.preprocessing import StandardScaler
sc
浏览 4提问于2020-07-08得票数 2
回答已采纳
_在科学学习模式上的转变？
我想知道，当我们拥有比单独使用fit和transform快得多的fit_transform时，为什么还要使用fit呢？毕竟，在对训练数据进行拟合后，我们将始终对训练数据进行转换。我们是否单独使用了fit？
浏览 0提问于2021-04-12得票数 4
回答已采纳
()
X_train_tfidf.shape
X_test_tfidf = ifidf_vectorizer.fit_transform(X_test) (2, 12)
最后，在试图预测其显示误差时predictions = clf.pre
浏览 1提问于2020-07-09得票数 1
回答已采纳
我不明白fit和fit_transform方法在scikit-learn中的区别。有人能简单地解释一下为什么我们可能需要转换数据吗？
这是什么意思，拟合一个模型的训练数据和转换为测试数据？例如，这是否意味着在培训中将分类变量转换为数字，并将新的功能集转换为测试数据？
浏览 0提问于2016-06-21得票数 240
回答已采纳
1回答
param_tuning, cv=5, n_jobs=-1, scoring='accuracy')
训练数据具有分类数据，因此转换后的数据形状为在此之后，我尝试解释对未见数据的模型预测。由于我直接将单个未见示例传递给模型，所以它以(x, 15)的形式对其进行预处理(因为单个观察并不包含所有示例--所有的分类数据)。eli5.show_prediction(xgb['classifier'], xgb['prep
浏览 4提问于2021-03-20得票数 0
回答已采纳
x_tr = SelectKBest(chi2, k=25).fit_transform(x_tr,y_tr)
x_ts = SelectKBest(chi2, k=25).fit_transform(我担心它会为训练和测试数据选择不同的特征。我应该更改代码，还是会提供相同的功能？
浏览 11提问于2021-10-21得票数 1
我在text2vec包中玩LDA，弄不明白为什么fit_transfrom和transform在使用相同的数据时是不同的。声明将学习到的模型应用于新数据，但结果与fit_transform产生的结果大不相同。10, doc_topic_prior = 0.1, topic_word_prior = 0.01)
lda_mode
浏览 3提问于2019-07-16得票数 1
回答已采纳
假设我想使用sklearn管道应用几种特征选择方法。(X_train, y_train)AttributeError: 'Gra
浏览 6提问于2022-07-25得票数 1
回答已采纳
1回答
我正在尝试构建一个带有StandardScaler()和LogisticRegression()的管道。当我使用和不使用管道进行编码时，我得到了不同的结果。下面是我不使用管道的代码： clf_LR = linear_model.LogisticRegression()X_train_std = scalar.fit_transform(X_train)
X_test_std = scalar.fit
浏览 30提问于2020-08-26得票数 1
我导入了总共有5列(包括date列)的数据集。我的数据是时间相关的，所以我不能使用训练/测试拆分。,'Temperature','Usage amount']X = df[feature_cols] 然后，我使用df = pd.DataFrame(scaler.fit_transform(df), columns=df.colum
浏览 22提问于2020-05-12得票数 1
回答已采纳
sarc_classify['tweet'], sarc_classify['sarcastic'])
X_train=X1.toarray()
X2=vectorizer.fit_transform(X_test.values.astype('在向量器之前，X_train和y_train值看起来是这样<em
浏览 6提问于2022-03-13得票数 0
这是我的代码：from sklearn.metrics import accuracy_scorevectorizer = TfidfVectorizer(ngram_range=(1,2))vectors_test = vectorizer.fit_transform
浏览 0提问于2018-10-23得票数 3
回答已采纳
如何将sklearn预处理fit.transform()与pandas.groupby.transform结合使用？MinMaxScaler()方法时，它会返回错误假设表只有2列:类别和X1
df.groupby('Category')['X1'].transform(lambda x: MinMaxSc
浏览 3提问于2020-01-26得票数 1
正如标题所说，我在训练数据上使用带有CountVectorizer的fit_transform。然后我只对测试数据使用tranform ...这是否与仅在训练上使用fit和仅在测试数据上使用tranform相同？
浏览 3提问于2016-10-12得票数 0
在查看了MinMaxScaler和MaxAbsScaler的源代码之后，我不明白为什么要使用它们，因为我可以在没有开销的情况下创建相同的输出。sklearn.preprocessingx/np.max(np.abs(x),axis=
浏览 3提问于2022-08-22得票数 1
回答已采纳
我使用OneHotEncoding来生成一个分类问题的假人。当使用训练数据时，我得到了300多个虚拟列，这是很好的。但是，当我输入新数据(行数较少)时，OneHotEncoding只生成大约250个虚拟数据，考虑到较小的数据集，这并不奇怪，但由于功能不对齐，所以不能将新数据与模型一起使用。是否有一种方法可以保留用于新传入数据的OneHotEncoding模式？
浏览 4提问于2020-05-05得票数 0
回答已采纳
我最近在练习，我想澄清几件事：现在，当我们准备火车评论上的单词数组时因此，当我们使用vectorizer.transform( "*list of cleaned train reviews* " )时，这只是将测试评论列表转换为每个评审的</em
浏览 0提问于2016-08-01得票数 9
from sklearn.preprocessing import StandardScalerX_train = sc.fit_transform(X_train)我所知道的是fit()方法计算特征的均值和标准差，然后transform()方法使用它们将特征转换为新的缩放特征。fit_transform()只
浏览 11提问于2022-06-16得票数 2
回答已采纳
1回答
推理时的单图像特征约简: SVM
、、、、
在训练时，我要减少特征向量维数。我使用PCA来减少维数。pp = PCA(n_components=400).fit(features)主成分分析需要m x n数据集来确定方差。但在推理时，我只有一幅图像和相应的一维特征向量。我想知道如何在推理时减少特征向量以匹配训练维数。
或者，如果有人可以提出一些其他的降维技术，可用于单一图像将是非常值得赞赏的。
浏览 0提问于2020-07-30得票数 0
当我使用管道对象时，
当我使用.fit()方法时，管道对象是否适合并转换的火车数据？或者我应该使用.fit_transform()方法？这两者有什么区别？当我对测试数据使用.predict()方法时，管道对象是否对测试数据进行转换，然后再进行预测？，也就是说，在使用.predict()方法之前，是否应该使用.transf
浏览 2提问于2021-07-07得票数 7
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
云直播
对象存储
实时音视频活动推荐
腾讯云开发者
