想知道PolynomialFeatures的fit做了什么
老师见谅，问题好像有点多了。。。。
初始化的时候设置好degress后，为什么还要fit呢
由上一节内容，知道了degree，对应地用hstack对X操作就得到了【X，X2,…，Xdegress】矩阵不就好了吗，那么PolynomialFeatures的fit方法是做了什么呢？
还有个问题就是，之前讲LinearRegression里面的fit包括了将特征矩阵添加了一列全为1的X0
,方便来求theta0,也就是intercept_. 那么这里的
poly = PolynomialFeatures(degree=2)
poly.fit(X)
X2 = poly.transform(X)
也会因为表示X的零次幂，也得到了第一列全为1的X2,那么X2放进Ln_reg.fit（）中的时候，此时X2就应该有头两列都是1的列向量了，一列来自ln_reg.fit中，一列来自poly.transform中的求X的零次幂。。。 而梯度下降更新theta的时候，求梯度这个向量的时候，梯度这个向量里的每一个元素分别是代价函数对各theta的偏导。 为什么X的第一列（全是1)和X的第二列（也全是1），求出来的theta0（对应intercept_ ?) 和 theta1(coef_的第一个元素，为0）会不一样呢，
正在回答
1回答
1）
PolynomialFeatures的fit没有作用。这只是sklearn设计的一个标准。
整体，这样的设计，和StandardScaler为什么要y参数，原因是一样的。满足一个固定的标准，在Pipeline内部，统一他们的流程化调用过程。可以参考这个问答：https://coding.imooc.com/learn/questiondetail/69934.html
2）
对，这个X2有两列1，但其实，知识你知道有两列1而已。算法不知道。算法只知道一列1；第二列1，其实是多项式特征做出的一个特征，他是一个x，但是，你知道，这组x的值，对于任何一个样本，都为1而已。
他们求出对应的theta是不一样的，因为他们完全是两个参数，在我们的梯度向量的两个不同的维度里。但是，我们的梯度下降，最终会得到最优解。所以，这并不影响我们最终的预测结果。
你可以理解成，我们给整个X添加了一个新特征，这个新特征对任何一个样本都是1，所以，添加不添加，没有关系。对预测没有影响。但是，添加了以后，我们的梯度的维度就变了。在梯度下降法的过程中，我们会为这个新特征找到一个对应的theta。
当然了，由于你知道这个特征肯定是1，将这列特征直接删掉，也没有任何问题：）
继续加油！：）
