在scikit-learn中，所有估计器都有一个fit()方法，并且根据它们是监督学习还是无监督学习，它们还具有predict()或transform()方法。

我正在为一个无监督学习任务编写一个变换器，我想知道是否有关于将哪种学习逻辑放在哪里的经验法则。官方文档在这方面帮助不大：

fit_transform(X, y=None, **fit_params)
先拟合数据，然后变换它。

在这种情况下，拟合数据和变换数据分别指的是什么？

回答：

拟合是找到模型的内部参数，这些参数将用于变换数据。变换是将这些参数应用到数据上。你可以对一组数据进行拟合，然后在完全不同的另一组数据上进行变换。

例如，你可以对数据拟合一个线性模型以获得斜率和截距。然后你使用这些参数来变换（即映射）新的或现有的x值到y值。

fit_transform只是对同一数据执行这两个步骤。

scikit的一个例子：你拟合数据以找到主成分。然后你变换你的数据以查看它如何映射到这些成分上：

from sklearn.decomposition import PCApca = PCA(n_components=2)X = [[1,2],[2,4],[1,3]]pca.fit(X)# 这是用于映射数据的模型pca.components_array([[ 0.47185791,  0.88167459],       [-0.88167459,  0.47185791]], dtype=float32)# 现在我们实际映射数据pca.transform(X)array([[-1.03896057, -0.17796634],       [ 1.19624651, -0.11592512],       [-0.15728599,  0.29389156]])# 或者我们可以“同时”执行这两个步骤pca.fit_transform(X)array([[-1.03896058, -0.1779664 ],       [ 1.19624662, -0.11592512],       [-0.15728603,  0.29389152]], dtype=float32)