本文主要是介绍线性回归模型sklearn.LinearRegression（）原理解析，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
一、模型原理
Linear Rgegrssion基于最小二乘法的线性回归。是机器学习算法里面的基本算法，在sklearn.linear_model 的包里面。它能解决的问题是通过数据拟合，从而得到比较符合事物内部规律的数学表达式。也就是说寻找到数据与数据之间的规律所在。例如对于房价的预测。
二、线性回归的原理表示
我们先从最简单的函数看起，在只有一个变量的情况下，线性回归可以用方程：y = ax+b 表示。
Linear Regression模型会去不断的去调整下图直线的斜率和截距，使得残差平方和Residual sum of Squares（RSS）最小。
这里残差平方是指下图中同一个x坐标下，实际点位置的y轴数值减去拟合直线上y轴数值 的平方，将所有点的残差平方加起来就出来了RSS。
将RSS处以数据数量就得出了MSE，这是一个重要的参数。Model Fitting的目标就是最小化MSE。
</
这篇关于线性回归模型sklearn.LinearRegression（）原理解析的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
