Scikit-Learn

Use of Estimator API 
Main uses of estimators are as follows: 
Estimation and decoding of a model 
Estimator object is used for estimation and decoding of a model. Furthermore, the model 
is estimated as a deterministic function of the following:
 
4.
 
Scikit-Learn ― Estimator API

---

Scikit-Learn
17 

The parameters which are provided in object construction.
 

The global random state (numpy.random) if the estimator’s random_state 
parameter is set to none.
 

Any data passed to the most recent call to 
fit, fit_transform
, or 
fit_predict
.
 

Any data passed in a sequence of calls to 
partial_fit
.
 
Mapping non-rectangular data representation into rectangular data 
It maps a non-rectangular data representation into rectangular data. In simple words, it 
takes input where each sample is not represented as an array-like object of fixed length, 
and producing an array-like object of features for each sample.
 
Distinction between core and outlying samples 
It models the distinction between core and outlying samples by using following methods:
 

fit 

fit_predict if transductive 

predict if inductive 
Guiding Principles 
While designing the Scikit-Learn API, following guiding principles kept in mind: 
Consistency 
This principle states that all the objects should share a common interface drawn from a 
limited set of methods. The documentation should also be consistent.
Limited object hierarchy 
This guiding principle says: 

Algorithms should be represented by Python classes

Datasets should be represented in standard format like NumPy arrays, Pandas 
DataFrames, SciPy sparse matrix. 

Parameters names should use standard Python strings. 
Composition 
As we know that, ML algorithms can be expressed as the sequence of many fundamental 
algorithms. Scikit-learn makes use of these fundamental algorithms whenever needed.