Python 为什么我们需要重新拟合模型才能得分？
我正在测试用于特征选择的嵌入式方法 我理解（也许我误解了）使用嵌入式方法，我们可以在训练模型时获得最好的特性（基于特性的重要性） 就是这样，我想得到经过训练的模型的分数（该模型经过训练以选择特征） 我正在用套索方法测试分类问题 当我试图得到分数时，我得到了一个错误，我需要重新拟合模型Python 为什么我们需要重新拟合模型才能得分？,python,machine-learning,scikit-learn,data-science,feature-selection,Python,Machine Learning,Scikit Learn,Data Science,Feature Selection,我正在测试用于特征选择的嵌入式方法 我理解（也许我误解了）使用嵌入式方法，我们可以在训练模型时获得最好的特性（基于特性的重要性） 就是这样，我想得到经过训练的模型的分数（该模型经过训练以选择特征） 我正在用套索方法测试分类问题 当我试图得到分数时，我得到了一个错误，我需要重新拟合模型 为什么我需要这样做（如果在功能选择上安装模型，似乎是浪费时间？） 为什么我们不能一次完成（选择功能并获得模型分数） 为什么如果我们使用嵌入式方法，为什么我们需要分两个阶段进行？为什么我们不能在训练模型的同时选择最佳
from sklearn.linear_model import Lasso, LogisticRegression
from sklearn.feature_selection import SelectFromModel
estimator = LogisticRegression(C=1, penalty='l1', solver='liblinear')
selection = SelectFromModel(estimator)
selection.fit(x_train, y_train)
print(estimator.score(x_test, y_test))
sklearn.exceptions.NotFittedError: This LogisticRegression instance is not fitted yet. Call 'fit' with appropriate arguments before using this estimator.
拟合的估计器作为选择返回。估计器（参见）；因此，在安装
选择后，您只需执行以下操作：
selection.estimator_.score(x_test, y_test)
但如果我们使用的是嵌入式方法，为什么我们需要分两个阶段进行呢？为什么我们不能在训练模型的同时选择最佳的功能？