fit_transform,fit,transform区别和作用详解！！！！！！ _transform

【fit_transform,fit,transform区别和作用详解！！！！！！】写在前面fit,,常用情况分为两大类 1. 数据预处理中方法
根据对之前部分进行fit的整体指标，对剩余的数据（）使用同样的均值、方差、最大最小值等指标进行转换()，从而保证train、test处理方式相同。所以，一般都是这么用：
from sklearn.preprocessing import StandardScalersc = StandardScaler()sc.fit_tranform(X_train)sc.tranform(X_test)
2. 各种算法的fit，方法1. 举例，的库是根据输入数据获取词频矩阵（稀疏矩阵）2. 举例，TF-IDF(Term*Doc )词权重
在较低的文本语料库中，一些词非常常见（例如，英文中的“the”，“a”，“is”），因此很少带有文档实际内容的有用信息。如果我们将单纯的计数数据直接喂给分类器，那些频繁出现的词会掩盖那些很少出现但是更有意义的词的频率。

文章插图
为了重新计算特征的计数权重，以便转化为适合分类器使用的浮点值，通常都会进行tf-idf转换。词重要性度量一般使用文本挖掘的启发式方法：TF-IDF 。IDF，逆向文件频率（）是一个词语普遍重要性的度量（不同词重要性的度量）。
总结：
上述第一类和第二类等价。算法中的fit方法的应用等价于第一类的fit，只不过产生的结果意义不同（不是均值等统计意义，而是根据算法本身拟合获取不同信息以备后用），根据fit的结果转换成目标形式，具体需深究代码实现。
Note:附：另一个角度理解fit和
是fit和的结合，所以只需要了解fit和。
方法主要用来对特征进行转换。
从可利用信息的角度来说，转换分为无信息转换和有信息转换。
通过总结常用的转换类，我们得到下表：
所以，只有有信息的转换类的fit方法才实际有用，显然fit方法的主要工作是获取特征和目标值有价值的信息，在这点上，fit方法和模型训练时的fit方法就能够联系在一起了：**都是通过分析特征和目标值，提取有价值的信息。对于转换类来说是某些统计量；对于模型来说可能是特征的权值系数等。