开始使用 Python 和 sklearn 库进行机器学习。有 2 种方法 fit () 和 predict () 老实说，在某些网站之后，我了解到它们确实非常模糊。
lin_reg.fit(x_train[num_features], y_train)
fit(x,y) 在训练集 X, y 上训练模型（训练） -来自论坛的引用
这是什么意思？
1) 模型查看 x_train，给出一个随机数并将其与 y_train 进行比较？
2) 模型查看 x_train 和 y_train 并试图找到某种关系或调整系数？
在这里，我有一个昏迷。
predict(X) 对数据 X的预测也是一个引用。
也就是说，模型建立起来了，我们可以给它输入数据吗？
y_pred=lin_reg.predict(x_train[num_features])
但这让我很困惑，为什么我们使用相同的数据进行训练和预测？会不会失败，或者模型会记住所有答案并给出 100% 的结果？
确切地。该模型试图找到这样的系数（嗯，以一种原始的方式，实际模型可能比一组简单的系数复杂得多），以便最小化模型从 x_train 数据的预测与 y_train 的实际值之间的差异。
是的是的。
一个足够复杂的模型可以记住所有数据并在训练数据上给出 100% 的准确率，但机器学习的目标不是这个，而是模型在它尚未见过的数据上很好地预测。在这种情况下，他们只是简单地检查模型是否学到了任何东西，否则情况就不同了。碰巧你教了一个模特，但她什么也没学到。所以这只是一个原始的“健全性检查”，而不是真正的“战斗”情况。当然，在现实生活中，他们已经在 x_test 测试数据上进行了预测。
总的来说，机器学习的主题相当复杂，可以研究很多年。你有一个完全初学者的问题，尝试阅读更多的文章和文献，所有这些问题都有答案。最好从“从炉子”开始 - 用理论，而不是立即应用图书馆，根本不了解他们在做什么。
附言
在某些机器学习模型中，这样的事情实际上发生在内部，但并非全部发生。该模型可以以完全不同的方式搜索所需的系数。重要的是要了解模型训练通常是一个复杂的迭代过程。模型以某种方式选择系数（有时是随机的），查看与目标的差异，如果它很大 - “考虑”移动到哪里，尝试稍微不同的系数等，直到它达到合适的结果，或者超出分配给它进行训练的迭代次数。