描述一下LinearRegression（）

LinearRegression() 是 scikit-learn 中用于实现线性回归的类，它可以用于对数据进行拟合，预测和评估等操作。该类实现了最小二乘法，用于估计线性回归模型中的系数。

在使用 LinearRegression() 进行线性回归时，需要先创建一个 LinearRegression 对象。然后，可以使用 fit() 方法将模型拟合到数据上，使用 predict() 方法对新数据进行预测，使用 score() 方法评估模型的性能等。

下面是 LinearRegression() 类的一些常用参数和方法：

- 参数：

- fit_intercept：是否拟合截距，默认为 True。
- normalize：是否对数据进行标准化，默认为 False。
- copy_X：是否复制 X 数据，默认为 True。

- 属性：

- coef_：估计的系数。
- intercept_：估计的截距。

- 方法：

- fit(X, y)：将模型拟合到数据上。
- predict(X)：对新数据进行预测。
- score(X, y)：返回模型在给定数据上的 R^2 分数，用于评估模型的性能。

使用 LinearRegression() 进行线性回归的基本流程如下：

from sklearn.linear_model import LinearRegression

# 创建 LinearRegression 对象
lr = LinearRegression()

# 将模型拟合到数据上
lr.fit(X_train, y_train)

# 对新数据进行预测
y_pred = lr.predict(X_test)

# 评估模型性能
score = lr.score(X_test, y_test)

其中，X_train 和 y_train 分别为训练集的特征和标签，X_test 和 y_test 分别为测试集的特征和标签。通过 fit() 方法将模型拟合到训练数据上，然后使用 predict() 方法对测试数据进行预测，最后使用 score() 方法评估模型的性能。