线性回归

    线性回归，主要是用来得到预测值的。线性回归，可以简单的理解为一元/多元方程式，通过给到的数据，计算出自变量x的系数，截距，得到对应的y值。

知识点

sklearn.linear_model.LinearRegression(

fit_intercept=True

, normalize=False

, copy_X=True

, n_jobs=1

)

线性回归里的参数，都是可以选用默认值，不用特意调参的。说明线性回归模型主要依靠数据本身，如果数据最后的公式达到的预测准确度不高，也没有办法。

fit_intercept：截距，默认为True，可不填。当fit_intercept=False时，代表不需要截距。

normalize：标准化，默认为False，可不填。当fit_intercept=True时，特征矩阵X会被进行标准化（减去均值，除以L2范式缩放处理）。当fit_intercept=False时，可忽略此参数。

copy_X：默认为True，可不填。为真，则在X.copy()上进行操作，否则会在原始数据X上进行操作，覆盖原始数据。

n_jobs：默认为None，或者填写整数，可不填。