NotFittedError()异常在Python中的使用场景

NotFittedError()异常是在使用机器学习模型进行预测之前，如果模型尚未进行训练（或者说未拟合），就会抛出该异常。该异常通常在以下场景中使用：

1. 没有调用fit()方法：当创建了一个机器学习模型后，需要使用train数据对模型进行训练，即调用fit()方法。如果在调用预测方法之前没有调用fit()方法，就会抛出NotFittedError()异常。

下面是一个简单的使用例子：

from sklearn.linear_model import LinearRegression
import numpy as np

# 创建线性回归模型
model = LinearRegression()

# 创建训练数据
X_train = np.array([[1, 2, 3], [4, 5, 6]])
y_train = np.array([6, 15])

# 创建测试数据
X_test = np.array([[7, 8, 9]])

# 尝试进行预测
try:
    y_pred = model.predict(X_test)
    print(y_pred)
except NotFittedError:
    print("模型未拟合，请先进行训练")

在上面的例子中，我们没有调用fit()方法进行模型拟合，直接调用了predict()方法进行预测。由于模型未拟合，就会抛出NotFittedError()异常。

2. 使用模型的属性或方法：如果在模型未拟合之前尝试使用模型的属性或方法，同样会抛出NotFittedError()异常。

下面是一个使用属性的例子：

from sklearn.linear_model import LinearRegression
from sklearn.exceptions import NotFittedError

# 创建线性回归模型
model = LinearRegression()

# 尝试使用属性进行计算
try:
    coef = model.coef_
except NotFittedError:
    print("模型未拟合，请先进行训练")

在上面的例子中，我们尝试获取模型的coef_属性，该属性表示模型的系数。由于模型未拟合，就会抛出NotFittedError()异常。

总结：NotFittedError()异常在机器学习中的使用场景通常是在使用模型进行预测之前，检查模型是否已经进行了训练。如果模型未拟合，就抛出该异常。我们可以通过try-except语句来捕获该异常，并进行相应的处理，如输出提示信息或者进行模型训练。