我正在编写一个线性回归类，用于将模型拟合到某些数据上，类似于scikit-learn的实现。

一旦模型被拟合，我希望能够调用predict()方法，无需将训练好的模型权重作为参数传递给该方法。以下是我目前的代码：

class LinReg:    """将线性模型拟合到数据上"""    def __init__(self):        ....    def fit(self, x, y):        """将模型拟合到数据x和目标y上"""        ...        # 模型权重w在这里计算        return w    def predict(self, x, w):        """使用训练好的权重w预测数据x的目标变量"""        ...        # 预测的y值，y_pred，在这里计算        return y_pred

训练好的权重w从fit()方法中返回，用户可以将这些权重存储为变量，以便稍后传递给predict()方法。

lm = LinReg()w = lm.fit(x,y)y_pred = lm.predict(x_new, w) # 不希望在这里传递w

然而，我不希望从fit()方法中返回w；我想在fit()方法中计算w后以某种方式存储它，这样用户就不必关心权重，同时这些权重也可以在predict()方法中轻松使用。

我该怎么做呢？有没有Pythonic或标准的OO方式来实现这一点？

回答：

我会将其存储为实例级属性：

def __init__(self):    self.w = None  # 在这里定义属性...    ....def fit(self, x, y):    """将模型拟合到数据x和目标y上"""    ...    # 模型权重w在这里计算    self.w = your_computed_valuedef predict(self, x):    """使用训练好的权重w预测数据x的目标变量"""    ...    # 预测的y值，y_pred，在这里计算    do_something_here(self.w)    return y_pred