我看到sklearn文档中同时提到了 transformer 和 estimator 。
这两个词有什么区别吗？
答案 0 :(得分：2)
Transformer是一种实现transform方法的估算器。
让我通过在sklearn实现中遇到的示例来支持该声明。
sklearn.preprocessing.FunctionTransformer类：这继承自其他两个类
TransformerMixin，BaseEstimator
sklearn.preprocessing.PowerTransformer类：这也继承自
TransformerMixin，BaseEstimator
据我了解，估计器只是根据其fit方法中实现的逻辑来获取数据，进行一些处理并存储数据。
注意：估计值不能直接用于预测值。他们甚至没有predict方法。
在我对上述声明做更多解释之前，让我告诉您有关Mixin类的信息。
Mixin类：这些类实现了混合设计模式。维基百科对此有很好的解释。您可以阅读它here。总而言之，这些是您编写的类，它们具有可在许多不同类中使用的方法。因此，您可以将它们写在一个类中，而只是在许多不同的类中继承（一种组合形式。请阅读这些链接-Link1 Link2）
在Sklearn中，有很多mixin类。仅举几例
ClassifierMixin，RegressorMixin，TransformerMixin。
此处，TransformerMixin是Transformer中使用的每个sklearn所继承的类。 TransformerMixin类只有一个可以在每个转换器中重用的方法，即fit_transform。
所有转换器都继承两个类，BaseEstimator（具有fit方法）和TransformerMixin（具有fit_transform方法）。而且，每个变压器都基于其功能具有transform方法
我想这可以回答您的问题。现在，让我回答有关预测器的陈述。
每个模型类都有自己的predict类，可以进行预测。
考虑LinearRegression，KNeighborsClassifier或任何其他Model类。它们都有声明的predict函数。这用于预测。不是估算器。
答案 1 :(得分：1)
基本区别在于：
Transformer以某种方式转换输入数据（X）。 Estimator通过使用输入数据（y）预测一个或多个新值（X）。 Transformer和Estimator都应该有一个fit()方法，可以用来训练它们（它们学习数据的某些特征）。签名是：
fit(X, y)
fit()不返回任何值，只是将学习到的数据存储在对象内部。
此处X代表样本（特征向量），y是目标向量（X中每个对应样本可能具有单个或多个值）。请注意，y在某些不需要它的转换器中可以是可选的，但是对于大多数估计器（监督估计器）来说，它是必需的。以StandardScaler为例。它需要初始数据X来查找数据的均值和标准差（它了解X的特征，不需要y）。
每个Transformer应该具有一个transform(X, y)函数，该函数像fit()一样接受输入X并返回X的新转换版本（通常应具有相同数量的样本，但可能具有或不具有相同的特征。
另一方面，Estimator应该具有predict(X)方法，该方法应从给定的y输出X的预测值。
在scikit-learn中将有一些实现transform()和predict()的类，例如KMeans，在这种情况下，仔细阅读文档应该可以解决您的疑问。
答案 2 :(得分：1)
sklearn的用法可能有点不直观，但是“估计器”并不意味着非常具体的东西：基本上所有东西都是估计器。
从sklearn词汇表中：
管理模型估计和解码的对象...
估计器必须提供
fit方法，并应提供set_params和get_params，尽管这些通常是由base.BaseEstimator的继承提供的。
支持
transform和/或fit_transform...的估算器
就像@VivekKumar的回答一样，我认为有一种趋势是将单词估算器用于sklearn而不是“ predictor”：
支持
predict和/或fit_predict的估算器。这包括分类器，回归器，离群值检测器和聚类器...
答案 3 :(得分：0)
根据mixin class of Transformer和base class of Estimator：
Transformer的方法为fit_transform()。
Estimator具有方法get_params()和set_params()。
与spark不同，sklearn中Transformer中的对象通常也是Estimator中的对象。
因为这些方法相互兼容和互补。例如，MinMaxScaler。