python sklearn中的fit方法

Question

我在问自己关于sklearn中的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)

变量模型的内容在这个过程中是否发生了任何变化？

问题2：当我这样做时：

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

svd_1发生了什么？换句话说，svd_1已经被拟合了，我再次拟合它，那么它的组件发生了什么？

Answer 1

问题1:变量模型的内容在过程中是否发生了任何变化？

是的。fit方法修改对象。它返回对对象的引用。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。

最后备注：在这两个例子中发生的情况是，fit(X1)的结果被fit(X2)覆盖，正如David Maust在回答中指出的那样。如果你想让两个不同的模型适应两组不同的数据，你需要做这样的事情：

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

Answer 2

在TruncatedSVD上调用fit时。它将用根据新矩阵构建的组件替换这些组件。scikit中的一些估计器和转换器（如IncrementalPCA）有一个partial_fit，它将通过添加额外数据来逐步构建模型。