python中的fit方法

我在问自己关于sklearn中fit方法的各种问题

问题1：当我这样做时：

from sklearn.decomposition import TruncatedSVD
model = TruncatedSVD()
svd_1 = model.fit(X1)
svd_2 = model.fit(X2)

from sklearn.decomposition import TruncatedSVD
model = TruncatedSVD()
svd_1 = model.fit(X1)
svd_2 = svd_1.fit(X2)

在此过程中，变量模型的内容是否发生了变化

问题2：当我这样做时：

from sklearn.decomposition import TruncatedSVD
model = TruncatedSVD()
svd_1 = model.fit(X1)
svd_2 = model.fit(X2)

from sklearn.decomposition import TruncatedSVD
model = TruncatedSVD()
svd_1 = model.fit(X1)
svd_2 = svd_1.fit(X2)

---

svd_1发生了什么？换句话说，svd_1已经安装好了，我再次安装它，那么它的组件发生了什么变化？

当您在

TruncatedSVD

上调用

fit

时。它将用新矩阵构建的组件替换这些组件。scikit中的一些估计器和变换器学习起来像是有一个

部分拟合

，它将通过添加额外数据来增量构建模型。

问题1:在这个过程中，变量模型的内容会发生任何变化吗

对。

fit

方法修改对象。并返回对该对象的引用。因此，小心！在第一个示例中，所有三个变量

model

、

svd_1

和

svd_2

实际上都指向同一个对象

from sklearn.decomposition import TruncatedSVD
model = TruncatedSVD()
svd_1 = model.fit(X1)
svd_2 = model.fit(X2)
print(model is svd_1 is svd_2)  # prints True

问题2:svd_1发生了什么

model

和

svd_1

指的是同一个对象，因此第一个示例和第二个示例之间绝对没有区别

最后一句话： 在这两个示例中发生的情况是，

fit（X1）

的结果被

fit（X2）

覆盖，如中所述。如果要将两个不同的模型安装到两组不同的数据，则需要执行以下操作：

svd_1 = TruncatedSVD().fit(X1)
svd_2 = TruncatedSVD().fit(X2)