Un resumen de la interfaz Estimator de scikit-learn

Scikit-learn ofrece una interfaz uniforme para todos sus algoritmos de aprendizaje automático. Dado un estimador de scikit-learn, cuya instancia se denomina model, los siguientes métodos estarían disponibles:

• Disponibles en todos los estimadores
  • model.fit(): ajusta los datos de entrenamiento. Para aplicaciones de aprendizaje supervisado, este método recibe dos parámetros: los datos X y las etiquetas y (p.ej. model.fit(X, y)). Para aplicaciones no supervisadas, fit recibe un único argumento, los datos X (p.ej. model.fit(X)).

• Disponible en estimadores supervisados
  • model.predict(): dado un modelo que ya está entrenado, predice la etiqueta de un nuevo conjunto de datos. Este método acepta un único argumento, los nuevos datos X_new (p.ej. model.predict(X_new)) y devuelve la etiqueta predicha para ejemplo de la matriz.
  • model.predict_proba(): para problemas de clasificación, algunos estimadores también tienen este método, que devuelve la probabilidad de que cada patrón pertenezca a cada una de las categorías a predecir. La categoría con máxima probabilidad coincidiría con la etiqueta predicha por model.predict().
  • model.decision_function(): para problemas de clasificación, algunos estimadores proporcionan una estimación de incertidumbre que no es una probabilidad. Para clasificación binaria, la función decision_function >= 0 significa que se predice clase positiva, mientras que decision_function < 0 significa que se predice clase negativa.
  • model.score(): para problemas de clasificación o de regresión, casi todos los estimadores implementan un método de puntuación. Las puntuaciones tienen que estar entre 0 y 1, y la bondad del estimador debería ser más alta cuanto mayor es su puntuación. Para clasificadores, el método score está asociado al porcentaje de patrones bien clasificados. Para regresores, score devuelvo el coeficiente de determinación (R²) de la predicción.
  • model.transform(): para los algoritmos de selección de características, este método reducirá el dataset dejando sólo las columnas (características) seleccionadas. Para algunos modelos de clasificación y regresión como los modelos lineales o los bosques aleatorios (random forests), este método deja sólo las características más informativas. De esta forma, estos algoritmos de clasificación o de regresión pueden usarse como métodos de selección de características.

• Disponible en estimadores no supervisados
  • model.transform(): dado un modelo no supervisado, transforma nuevos datos según el modelo. Acepta un único argumento X_new y devuelve la nueva representación de los datos.
  • model.fit_transform(): algunos estimadores implementan este método que realiza de forma más eficiente el ajuste y transformación sobre el mismo conjunto de datos que realizar, secuencialmente, una llamada a model.fit(X) y después a model.transform(X).
  • model.predict(): si se trata de un algoritmo de agrupamiento, este método nos predecirá las etiquetas de grupo asignadas a nuevos puntos. No todos los algoritmos de agrupamiento pueden aplicarse a nuevos datos tras el proceso de clustering.
  • model.predict_proba(): los modelos de mixturas Gaussianas (Gaussian mixture models, GMMs) proporcionan la probabilidad de que cada punto haya sido generado por cada uno de los componentes de la mixtura.
  • model.score(): los modelos basados en densidades como Kernel Density Estimation (KDE) y los GMMs nos permiten obtener la verosimilitud de los datos según el ajuste.

Además de fit, las dos funciones más importantes son predict para producir una respuesta aproximada (una y) y transform para obtener una nueva representación de los datos (una nueva X). La siguiente tabla muestra para que clase de modelo se aplica cada función: