sklearn的LinearRegression详解

LinearRegression是sklearn中的线性回归模型，用于对数据进行线性拟合和预测。下面详细介绍LinearRegression的使用。

首先，我们需要导入LinearRegression模型：

from sklearn.linear_model import LinearRegression

接着，我们需要加载数据，并将数据分成训练集和测试集：

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

其中X为特征矩阵，y为目标变量。

然后，我们可以创建一个LinearRegression对象，并对训练集进行拟合：

lr = LinearRegression()
lr.fit(X_train, y_train)

接着，我们可以用拟合好的模型对测试集进行预测：

y_pred = lr.predict(X_test)

最后，我们可以计算模型的评估指标，比如均方误差（MSE）和R平方（R²）：

from sklearn.metrics import mean_squared_error, r2_score
print('MSE:', mean_squared_error(y_test, y_pred))
print('R²:', r2_score(y_test, y_pred))

LinearRegression模型还有一些其他的参数和方法，比如coef_和intercept_属性，用于获取模型的系数和截距，以及score()方法，用于计算模型的得分。具体用法可以参考sklearn官方文档。