scikit-learn线性回归

scikit-learn是一个流行的Python机器学习库，其中包含了许多用于监督学习任务的算法。线性回归是scikit-learn中最基础的回归模型之一，它假设因变量与自变量之间存在线性关系。它的目标是最小化残差平方和，即预测值与实际值之间的差异。

在scikit-learn中，`LinearRegression`类是用于实现线性回归的主要工具。用户可以创建这个类的一个实例，并通过`.fit()`方法训练模型，传入特征数据（X）和目标值（y）。一旦模型训练完成，可以使用`.predict()`方法对新的输入数据进行预测。

例如：

from sklearn.linear_model import LinearRegression
import numpy as np

# 创建线性回归模型
model = LinearRegression()

# 假设我们有特征数据 X 和目标值 y
X_train, y_train = np.random.rand(100, 5), np.random.rand(100)
# 训练模型
model.fit(X_train, y_train)

# 预测新数据
new_data = np.random.rand(5)  # 新的5维输入
prediction = model.predict(new_data.reshape(1, -1))