我想了解 fit() 函数的一般功能，尤其是在下面的代码片段中它具体做了什么。
我正在学习机器学习A-Z课程，因为我对机器学习还比较陌生（我刚开始学）。我知道一些基本概念术语，但不太了解技术部分。
代码1：
from sklearn.impute import SimpleImputermissingvalues = SimpleImputer(missing_values = np.nan, strategy = 'mean', verbose = 0) missingvalues = missingvalues.fit(X[:, 1:3])X[:, 1:3] = missingvalues.transform(X[:, 1:3])另一个让我仍然有疑问的例子
代码2：
from sklearn.preprocessing import StandardScalersc_X = StandardScaler()print(sc_X)X_train = sc_X.fit_transform(X_train)print(X_train)X_test = sc_X.transform(X_test)我认为如果我能了解这个函数的一般用途以及它通常做什么，我就可以继续了。但我当然也想知道它在这些代码中具体做了什么
回答：
这里还有一个不错的检查机会： https://scikit-learn.org/stable/tutorial/basic/tutorial.html
fit方法在机器学习中总是用来学习某些东西的。
你通常会有以下步骤：
- 将你的数据分成两个或三个数据集
- 选取数据的一部分来学习/训练某些东西（通常是
X_train）并使用fit - 使用学到的算法对未见过的数据（通常是
X_test）进行预测，使用predict
在你的第一个例子中：missingvalues.fit(X[:, 1:3]) 你是在根据数据 X 训练 SimpleImputer，其中你只使用了第 1,2,3 列，然后用 transform 将这个训练结果应用到这些数据上，进行覆盖。
在你的第二个例子中：你是在用 X_train 训练 StandardScaler，并将这个训练结果应用到两个数据集 X_train 和 X_test 上，StandardScaler 从 X_train 中学习到，如果它学到10需要转换为2，那么它会在 X_train 和 X_test 两个集合中都将10转换为2。
