Python中NotFittedError()异常的源码分析

在Python中，NotFittedError()是一个异常类，通常用于在机器学习模型中，当尝试使用还未拟合（fit）的模型进行预测时抛出。

源码分析如下：

class NotFittedError(ValueError, AttributeError):
    def __init__(self, estimator):
        super().__init__(
            f"This {estimator.__class__.__name__} instance is not fitted yet. "
            "Call 'fit' with appropriate arguments before using this estimator."
        )

NotFittedError类继承自ValueError和AttributeError，这意味着当发生NotFittedError异常时，可以通过捕获ValueError或AttributeError来处理异常。

该异常类的构造函数接受一个参数estimator，它是引发异常的估计器（estimator）对象。异常消息会告知用户该估计器实例还未进行拟合，需要先调用'fit'方法来拟合模型，才能使用该估计器进行预测。

以下是一个使用例子：

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

# 创建一个线性回归模型对象
model = LinearRegression()

try:
    # 尝试使用未拟合的模型进行预测
    model.predict([[1, 2, 3]])
except NotFittedError as e:
    print(e)
    # 输出: "This LinearRegression instance is not fitted yet. Call 'fit' with appropriate arguments before using this estimator."

# 拟合模型
model.fit([[1, 2, 3], [4, 5, 6]], [7, 8])

# 再次尝试使用已拟合的模型进行预测
predictions = model.predict([[1, 2, 3]])
print(predictions)
# 输出: [ 6.]

在上面的例子中，我们创建了一个LinearRegression的实例model，并尝试使用未拟合的模型进行了预测，触发了NotFittedError异常。我们在异常处理块中捕获了该异常，并打印出异常消息。

然后，我们调用fit方法对模型进行了拟合，并再次尝试使用拟合后的模型进行预测，这次没有抛出异常，成功地得到了预测结果。

使用NotFittedError异常可以帮助我们在模型预测之前，提醒我们先进行模型拟合的操作，避免使用还未拟合的模型进行预测，从而确保模型的有效性。