##线性回归

import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression

#1.导入数据
#data = pd.read_csv(’’)

#2.数据预处理
#略，最终生成x_train,y_train,x_test

#此处用随机生成数据
#数据量m
m = 20
#特征数n
n = 6
x_train = pd.DataFrame(np.random.rand(m, n))
y_train = pd.DataFrame(np.random.rand(m, 1))
x_test = pd.DataFrame(np.random.rand(m, n))
#3.模型训练
lr = LinearRegression()
lr.fit(x_train, y_train)

#4.模型预测
y_predict = lr.predict(x_test)

print(y_predict)

#参数列表与调参方法

LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=None)

fit_intercept：boolean，optional，默认为True。是否计算此模型的截距。如果设置为False，则不会在计算中使用截距（例如，预计数据已经居中）。
normalize：布尔值，可选，默认为False。fit_intercept设置为False时，将忽略此参数。如果为True，则回归量X将在回归之前通过减去平均值并除以l2范数来归一化。
copy_X：布尔值，可选，默认为True。如果为True，则将复制X; 否则，它可能会被覆盖。
n_jobs：int或None，可选（默认=None）。用于计算的作业数。这只会为n_targets> 1和足够大的问题提供加速。 None表示1 。 -1表示使用所有处理器。