最近这段时间学习了机器学习中的线性模型，用自己定义的最小二乘法函数和sklearn中的linear_model方法完成了几个小实例，具体就是通过我们班同学的各科成绩来预测最后的平均绩点模型，但不清楚sklearn库中的源码就直接调用都有点不好意思了~~在这里主要还是想记录一下我对于LinearRegression的理解。

        打开pycharm，安装好scikit-learn库后在Python-Package中可以找到scikit-learn，点开它会显示此库的一些信息。

         点击文档-->Regression，官方文档里详尽写了sklearn中的各种模型的用法和实例。

         这里不多赘述，直接上源码！！！

from sklearn import linear_model

        新建python文件后输入上行代码 ，按住Ctrl键左键点击linear_model就会进入_init_.py，在里面找到'LinearRegression'，同样按住Ctrl键左键点击进入_base.py，此时看到的就是sklearn中线性回归模型的源码。

#################################从这里开始看 #################################

class LinearRegression(MultiOutputMixin, RegressorMixin, LinearModel):

注释部分写有

一、简介

普通最小二乘法线性回归。
线性回归拟合一个系数为w = (w1，…wp)中观测目标之间的残差平方和（剩余平方和）最小数据集和线性逼近预测的目标。

二、参数(Parameters)

fit_intercepe：是否计算模型的截距，截距就是公式中的“b”，布尔类型，默认值为True

normalize：是否标准化，标准化可以使不同的特征具有相同的维度（尺度），布尔类型，默认值为False

copy_X：是否复制x，否则得出的x值将被正则化覆盖，布尔类型，默认值为True

n_jobs：用于计算的核数，设为-1时最快，int类型，默认值为1

positive：强制系数为正数。仅支持密集阵列。布尔类型，默认值为False

源码如下：

@_deprecate_positional_args
    def __init__(self, *, fit_intercept=True, normalize=False, copy_X=True,
                 n_jobs=None, positive=False):
        self.fit_intercept = fit_intercept
        self.normalize = normalize
        self.copy_X = copy_X
        self.n_jobs = n_jobs
        self.positive = positive

三、属性（Attributes）

coef_:线性回归问题的系数，即公式中各特征x前的系数w。

rank_:矩阵X的秩，仅当' X '密集时可用

singular_：数组的形状(min(X, y))' X '的奇异值。仅当' X '密集时可用。

intercept_：线性模型中的独立项。截距b（或），只能为数组型（array）和浮点数（float）型

属性我们可以这样用：

model = linear_model.LinearRegression()
model.fit(x_data, y_data)
print("系数w：", model.coef_)
print("偏置项b：", model.intercept_)

运行代码后可在运行栏中观察到系数和偏置项的结果(有几个特征就有几个系数w)

系数w： [0.03835515 0.03039367]
偏置项b： -2.4193839868128992

 今天就为大家分享到这里，学习阶段，第一次写文章，不知道效果如何，有不足望指正！！！