머신러닝 회귀 모델 사용법 익히기1 (Linear, Lasso, Ridge 질문입니다

강의 11:02 에서 실행하는

lasso_grid.fit(X_train, y_train) 는 모델의 최적의 하이퍼파리미터를 찾기 위해서 실행을 하고,

그렇게 찾은 최적의 하이퍼 파라미터를 반영한 모델을

lasso_model = lasso_grid.best_estimator_

을 통해서 생성하고 생성한 모델을

ml_pred = predict_bikecount(lasso_model, ml_columns)

을 통해서 학습시키는 것으로 이해했습니다.

그런데 영상 4분18초 쯤에는

lr_model = LinearRegression()

로 모델을 생성한 다음 따로 best parameter를 얻지 않고 바로

ml_pred = predict_bikecount(lr_model, ml_columns)

을 실행시킵니다.

여기서 생기는 질문이

lasso_grid.fit(X_train, y_train) 을 통해서 이미 학습을 했는데

predict_bikecount 함수 내에 있는

casual_model = model.fit(X_train, y_train_cas) 을 통해서 학습을 왜 한 번 더 하는 것인지 잘 이해가 되지 않습니다.

1. predict_bikecount 내에 있는 casual_model = model.fit(X_train, y_train_cas)과 registered_model = model.fit(X_train, y_train_reg)는 결과값들이 y_train_cas과 y_train_reg으로 학습에 사용되는 결과값이 'count'와 다르므로, 한번 학습 후 얻은 최적의 하이퍼파라미터를 가진 모델로 재트레이닝시키는 과정으로 이해하면 되나요?

2. LinearRegression()에서는 왜 따로 best parameter를 계산하지 않는지 궁금합니다.