sklearn.linear_model.LinearRegression调用sklearn.linear_model.LinearRegression(fit_intercept=True,normalize=False,copy_X=True,n_jobs=None)Parametersfit_intercept解释：是否计算截距模型。设置：bool类型，可选，默认True，如果使用中心化数据，可以考虑设置为False，不考虑拦截。Normalize解释：是否对数据进行标准化设置：bool类型，可选，默认False，建议在训练模型之前就把标准化工作，通过设置sklearn.preprocessing.StandardScaler来实现，而这里设置为false时，当fit_intercept时设置为false，这个参数会被自动忽略。如果为True，回归器会对输入参数进行标准化：减去平均值，除以对应的二范数copy_X解释：是否复制X设置：bool类型，可选，默认True，如果为false，则经过中心归一化后，在原有数据上覆盖新数据n_jobs解释：计算时设置的任务数，该参数对目标数>1（n_targets>1）且规模足够大的问题有加速效果设置：int或None，可选，默认为None，如果选择-1，则表示使用所有CPU。attributescoef_解释：为线性回归问题计算的特征的系数输出：如果输入是多目标问题，则返回一个二维数组(n_targets,n_features)；如果是单目标问题，返回一维数组(n_features,)rank_interpretation：矩阵X的秩，仅当X为稠密矩阵时有效output：矩阵X的秩singular_interpretation：矩阵X的奇异值，仅当X为稠密矩阵时有效输出：arrayofshape(min(X,y),)intercept_解释：截距，线性模型中的独立项输出：如果fit_intercept=False，则intercept_为0.0方法fit(self,X,y[,sample_weight])训练模型，sample_weight是每个样本的权重值，默认Noneget_params(self[,deep])deep默认为True，返回一个字典，key是参数名，value是estimator参数值predict(self,X)模型预测，返回预测值score(self,X)X,y[,sample_weight])模型评估，返回R^2系数，最优值为1，说明所有数据都预测正确set_params(self,**params)设置estimator的参数，可以修改重新训练多博客平台OpenWrite的参数发布了！
