在StatsModels（以及其他类似scikit-learn的库）中，我们首先必须创建一个模型：
model = sm.OLS(y, x)
然后安装它：
results = model.fit()
这两个步骤为什么分开？
答案 0 :(得分：1)
从@RestController
@Validated
public class Ctrl {
// ...
@GetMapping("/{id}")
public String getById(@Pattern(regexp = REGEXP) @PathVariable String id) {
return someObjectService.getById(UUID.fromString(id)));
}
}
中的参数可以看出fit是独立方法的主要原因。我们只创建一次特定的模型一次，但是我们可能想要或者可能不得不多次调用fit。
一个例子是优化中的问题，我们需要在达到收敛之前尝试使用不同的优化器或初始值，或者意识到该模型不适用于数据，并且不存在常规的优化。
作为fit参数可用的另一个选项是不同的fit，它们是用于计算参数估计的标准误差的不同方法。
另一个原因是，几个模型现在具有几种cov_type方法，这些方法无法通过常规fit方法使用。例如fit用于惩罚估计，fit_regularized用于在参数线性约束下进行估计。在这些模型中，我们不需要调用常规的fit_constrained方法。
更笼统的问题：为什么statsmodels使用这种复杂的类层次结构和大量方法，而不是将所有内容都放入函数中？
主要原因是模块化，代码可重用性和延迟评估。
答案 1 :(得分：0)
fit()是表示模型的类的方法。首先，您从该类（此处为sm.OLS创建一个对象，然后从该类中调用方法fit()。
该类经常使用其他方法，例如score，predict，...