三个动词：fit、transform、predict

整个库只有两种形状

然后是三个动词。它们的分工非常干净：

本机数了一下 scikit-learn 1.9.0 里有多少个：

全部估计器      208
  分类器         44
  回归器         55
  转换器         84

208 个类，同一套接口。这不是巧合，是 sklearn 从 2010 年那篇 API 设计论文起就定下的规矩：任何一个估计器都必须是一个「有 fit 的对象」。

于是换模型就是换一行

回到开头的问题。本机把五个模型跑在同一份数据上：

from sklearn.linear_model import LogisticRegression      # ← 只有这两行
model = make_pipeline(StandardScaler(), LogisticRegression(max_iter=5000))

model.fit(X_train, y_train)
model.score(X_test, y_test)

五段代码之间只有类名不同（其中三个还要包一层 StandardScaler，因为它们对特征尺度敏感——这也是下一章的话题）。

顺带看一眼这张表本身：最简单的逻辑回归赢了随机森林。这不是意外，在几百行的表格数据上这很常见。不过更要紧的是——这五个数字，其实一个都不该信。为什么，是第 19 章的内容。

「学到的东西」存在哪：带下划线的属性

sklearn 有一条铁律：fit 之后学到的东西，全部存成以下划线结尾的属性。

LogisticRegression().fit(X, y) 之后，多出来这些：

  classes_          有哪些类别
  coef_             每个特征的系数
  intercept_        截距
  n_features_in_    进来时有几列
  n_iter_           迭代了多少次

这条命名约定不只是风格，它是可以依赖的契约：

• 没有下划线的属性 = 你设的超参数（model.max_iter），构造时就有。
• 有下划线的属性 = 从数据里学的（model.coef_），fit 之后才有。

所以 sklearn 能靠「有没有下划线属性」判断一个模型是否训练过。没训练就 predict：

NotFittedError: This LogisticRegression instance is not fitted yet.
Call 'fit' with appropriate arguments before using this estimator.

这是全书第一条真正意义上的「有人替你把关」。前面十五章里，形状不对、索引错位、行数翻倍，全都是静默的。到了这一层，终于有东西会拦住你。

为什么是 fit / transform 而不是一个函数

这个设计初看有点绕：为什么标准化不能写成 standardize(X) 一个函数？因为转换器也要「学」。

scaler = StandardScaler()
scaler.fit(X_train)              # 学：算出训练集每一列的均值和标准差
scaler.transform(X_train)        # 用这套均值和标准差改造训练集
scaler.transform(X_test)         # ★ 用【同一套】改造测试集

最后一行是关键。测试集必须用训练集的均值和标准差来标准化——因为在真实的预测场景里，你面对的是一个新样本，根本没有「测试集的均值」这种东西可算。

把 fit 和 transform 拆开，就是为了让「学」和「用」能发生在不同的数据上。这个拆分是整个 sklearn 设计里最重要的一处，也是第 18 章那个招牌实验的全部要害。那里会看到：把这两步合成一步，一份纯随机的数据能给出 98.9% 的准确率。

有一个便捷方法叫 fit_transform(X)，等价于先 fit 再 transform。它只能用在训练集上：

X_train_s = scaler.fit_transform(X_train)     # ✓
X_test_s  = scaler.transform(X_test)          # ✓ 注意没有 fit
X_test_s  = scaler.fit_transform(X_test)      # ✗ 泄漏！第 18 章

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import make_pipeline
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.svm import SVC

X, y = load_breast_cancer(return_X_y=True)
Xtr, Xte, ytr, yte = train_test_split(X, y, test_size=0.3,
                                      random_state=0, stratify=y)
for name, m in [
    ("LogisticRegression",     make_pipeline(StandardScaler(), LogisticRegression(max_iter=5000))),
    ("KNeighborsClassifier",   make_pipeline(StandardScaler(), KNeighborsClassifier())),
    ("DecisionTreeClassifier", DecisionTreeClassifier(random_state=0)),
    ("RandomForestClassifier", RandomForestClassifier(random_state=0)),
    ("SVC",                    make_pipeline(StandardScaler(), SVC(random_state=0))),
]:
    m.fit(Xtr, ytr)
    print("%-24s %.4f" % (name, m.score(Xte, yte)))

from sklearn.utils import all_estimators
print(len(all_estimators()),
      len(all_estimators(type_filter="classifier")),
      len(all_estimators(type_filter="regressor")),
      len(all_estimators(type_filter="transformer")))       # 208 44 55 84

lr = LogisticRegression(max_iter=5000).fit(StandardScaler().fit_transform(Xtr), ytr)
print(sorted(a for a in vars(lr) if a.endswith("_") and not a.startswith("_")))
# ['classes_', 'coef_', 'intercept_', 'n_features_in_', 'n_iter_']

LogisticRegression().predict(Xte)      # NotFittedError

这一章的一句话

scikit-learn 用「两种形状 + 三个动词」换来了 208 个模型的可互换性；而其中最重要的设计是把 fit 和 transform 拆开——因为「学」和「用」必须能发生在不同的数据上。

下一章处理进这道门之前的活：把世界压成一个矩形。一列城市名要变成四列 0 和 1；一列文本要变成四千列。而这里有一个特别现实的问题——训练时没见过的类别，预测时来了怎么办？sklearn 给了两个选项，一个抛异常，一个给你一行全零，而它们代表两种完全不同的生产策略。