Sklearn中LinearRegression训练后是否需再次调用fit()？代码优化咨询

1. 能不能省略lm.fit(X, y)这一行？ #

这得看你的最终预测目标来判断：

• 如果你的目的是用所有可用的X和y数据训练模型，再对X_real做预测，那这一行绝对不能省略！你之前的lm.fit(X_train, y_train)只用了20%的数据（因为test_size=0.8，训练集仅占总量的20%），重新用全量数据拟合能让模型学到更全面的信息，预测效果通常会更好。
• 如果你只是想用之前基于X_train训练好的模型来预测X_real，那可以省略这行，但要注意：此时模型仅基于小部分数据训练，预测性能大概率不如全量数据训练的模型。

简单总结：如果要得到基于全量数据的最优预测模型，必须保留；如果只是用训练集模型做临时预测，才可以省略。

2. 无需计算精度时，更优的方法是什么？ #

当然有更简洁高效的方案！你原来的train_test_split、lm.predict(X_test)、lm.score(X_test, y_test)都是为了评估模型精度。如果不需要做精度评估，完全可以跳过这些步骤，直接用全量数据拟合后预测即可——这样既节省计算资源，又能让模型利用所有可用信息：

lm = LinearRegression()
# 直接用全部数据训练模型
lm.fit(X, y)
# 对新特征做预测
pred = lm.predict(X_real)

这个流程去掉了不必要的评估环节，是不需要精度验证时的最优选择。

内容的提问来源于stack exchange，提问作者Khun