sklearn.linear_model.LinearRegression（线性回归）

LinearRegression 是 sklearn.linear_model 提供的 普通最小二乘回归模型，适用于 回归任务，用于 预测连续数值。

---

1. LinearRegression 作用

• 基于最小二乘法拟合数据，找到最佳拟合的直线。
• 适用于特征与目标变量之间是线性关系的情况。
• 不包含正则化项（无 L1 或 L2 惩罚项），适合 无多重共线性 的数据。

---

2. LinearRegression 代码示例

(1) 训练线性回归模型

from sklearn.linear_model import LinearRegression
from sklearn.datasets import make_regression
import matplotlib.pyplot as plt

# 生成数据（100 个样本，1 个特征，带噪声）
X, y = make_regression(n_samples=100, n_features=1, noise=10, random_state=42)

# 训练线性回归模型
model = LinearRegression()
model.fit(X, y)

# 预测
y_pred = model.predict(X)

# 可视化
plt.scatter(X, y, label="真实数据")
plt.plot(X, y_pred, color="red", label="线性回归拟合")
plt.legend()
plt.show()

解释

• fit(X, y) 训练线性回归模型，学习 权重（斜率）和截距。
• predict(X) 进行预测，绘制拟合直线。

---

3. LinearRegression 主要参数

LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=None)

参数	说明
fit_intercept	是否计算截距（默认 True）
normalize	是否对数据进行归一化（已被弃用，推荐使用 StandardScaler）
copy_X	是否复制 X（防止修改原数据）
n_jobs	并行计算（None 表示单线程）

---

4. 获取回归系数

print("斜率（权重）:", model.coef_)
print("截距:", model.intercept_)

解释

• coef_：回归系数（斜率）。
• intercept_：截距（当 X=0 时的预测值）。

---

5. 计算模型性能

from sklearn.metrics import mean_squared_error, r2_score

mse = mean_squared_error(y, y_pred)
r2 = r2_score(y, y_pred)

print("均方误差 MSE:", mse)
print("决定系数 R²:", r2)

解释

• MSE（均方误差）：值越小，拟合效果越好。
• R²（决定系数）：1 表示完美拟合，0 表示无解释能力。

---

6. LinearRegression vs. Ridge vs. Lasso

模型	适用情况	是否正则化
LinearRegression	标准线性回归，无多重共线性时适用	否
Ridge	数据存在多重共线性，防止过拟合	L2
Lasso	自动特征选择，压缩部分系数到 0	L1

示例：

from sklearn.linear_model import Ridge, Lasso

ridge = Ridge(alpha=1.0).fit(X, y)
lasso = Lasso(alpha=0.1).fit(X, y)

print("Ridge 斜率:", ridge.coef_)
print("Lasso 斜率:", lasso.coef_)

解释

• Ridge 增加 L2 正则化，防止过拟合。
• Lasso 增加 L1 正则化，部分特征权重会变成 0（特征选择）。

---

7. 适用场景

• 预测连续变量（如房价、销量）。
• 特征与目标变量呈线性关系。
• 数据集较小，且不存在多重共线性。

---

8. 结论

• LinearRegression 是最基础的回归模型，适用于 线性关系数据。
• 如果数据存在 多重共线性，可以使用 Ridge 或 Lasso 进行正则化。