本文共 698 字，大约阅读时间需要 2 分钟。
参数解释
| sklearn.linear_model.LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=None) |
| 超参 | 解释 | 类型(默认值) |
| fit_intercept | 是否计算模型的截距；如果设置为 False，计算将不使用截距（即：期望数据已经进行了中心化处理) | boolean(True) |
| normalize | 是否将数据归一化；fit_intercept 设置为 False 时，这个参数可以忽略。如果设置为 True，回归之前将通过减去均值并除l2范数进行归一化。如果需要进行标准化，请在调用估计器 normalize=False的 fit 函数之前使用 | boolean(False) |
| n_jobs | 确定cpu的核数 (None表示1，-1 表示使用所有) | int or None(None) |
| 属性 | 解释 | 类型 |
| coef_ | 回归系数(斜率) | array |
| intercept_ | 截距 | array |
| 方法 | 解释 | 类型 |
| fit(X, y[, sample_weight]) | 训练模型 | X : array-like or 稀疏矩阵，y : array_like，sample_weight : numpy array |
| predict(X) | 预测 | X : array_like or 稀疏矩阵 |
| score(X, y[, sample_weight]) | R 2 = 1 − ( ∑ i = 1 m ( y ( i ) − y ^ ( i ) ) 2 ) / m ( ∑ i = 1 m ( y ( i ) |
转载地址：http://llwyz.baihongyu.com/