[与代码相关的问题可能更多是理论问题。在我目前的工作中，我发现自己正在估计/预测（最后一个是机会主义的）非洲特定河流的水位。
重点是，我正在开发一个简化的多元回归模型，该模型需要15年以上的历史水位和降水（来自不同位置）来生成水位估算。
我不是曾经使用过机器学习或其他正确的名字的人。我更习惯于对数据建模并生成拟合（可以使用不对称的高斯和S形函数以及低阶多项式完美地定义当前数据。
所以重点是；一旦有了多元回归模型，我的同事们建议我不要使用拟合的数据进行估算，而应使用所有原始数据。由于他们无法向我解释原因，因此我尝试将拟合的数据用作原始输入（以我的辩护，所有拟合模型的中位数具有非常低的偏差误差==很好的拟合）。但是我不明白的是，为什么我应该只使用原始数据，而这些数据却是嘈杂的，无意义的，并考虑到了不直接相关的因素（偏倚于回归？）。这有什么好处？
我在该领域缺乏理论知识，这使我对此感到疑惑。我应该总是使用所有原始数据来确定多元回归的变量，还是可以使用拟合值（即获取每个历史年度不同拟合模型的中位数）？
非常感谢！
这是我的2美分
[我认为您的同事说的是，因为这样一来，模型学习原始数据和实际降雨之间的相关关系会更好。
在现场，您将从原始数据开始，因此能够直接从原始数据进行预测非常有用。在原始数据完成工作之后，您需要做的工作更多，每次您要进行预测时都必须做。
但是，如果使用更简单的模型perfectly defined with asymetric gaussians and sigmoids functions combined with low order polynomials，则建议这样做。只要您的（y_pred-t_true）** 2非常小