下面的例子是用Python编写的，取自《掌握机器学习》一书。
任务概述：
- 训练数据存储在列向量X_train（特征）和y_train[响应变量]中
- 用于测试的数据分别存储在X_test和y_test中
- 现在使用多项式回归（在本例中为二次回归）将模型拟合到训练数据
作者的方法（不包括导入和数据初始化）：
quad_featurizer = PolynomialFeatures(degree=2)
X_train_quad = quad_featurizer.fit_transform(X_train)
X_test_quad = quad_featurizer.transform(X_test)
regressor_quad = LinearRegression()
regressor_quad.fit(X_train_quad, y_train)
作者没有评论代码，也没有告诉更多关于所使用方法的信息。由于scikit-learn API也不能给我一个满意的答案，我想问你。
为什么我要使用fit_transform而不仅仅是transform来预处理训练数据我的意思是，实际的拟合是用regression _quad对象完成的，所以fit_transform是多余的，不是吗？
scikit的那些特征化器必须根据您的特定数据集进行调整，然后才能将其转换为新的特征向量。CCD_ 1执行该调整。因此，您需要首先调用fit()，然后调用transform()，或者通过fit_transform()同时调用两者。
在您的示例中，PolynomialFeatures用于将训练数据投影到新的更高维空间中。因此向量(3, 6)将变为(1, 3, 6, 3*3, 3*6, 6*6)。在fit()中，PolynomialFeatures学习训练向量的大小，在fit()0中，它从旧的训练向量创建新的训练向量。因此CCD_ 11是一个新的矩阵，其形状不同于CCD_。之后，对X_test也进行了同样的操作，但PolynomialFeatures已经知道向量的大小，因此不必再次为fit()。然后，LinearRegression通过其fit()方法在新的训练数据（X_train_quad）上进行训练，该方法与PolynomialFeatures完全分离，因此其fit()与PolynomialFeatures的fit()实际上没有任何关系。