from sklearn.linear_model import LinearRegression

参数:

LinearRegression（fit_intercept,normalize,copy_X,n_jobs）

fit_intercept :
布尔类型，初始为True。决定在这个模型中是否有intercept，即偏移量，即类似于线性函数y = w1x1 + w0 中的w0。 如果False则无。

normalize:
布尔类型，初始为False。如果fit_intercept设置为False，那这个参数就会被忽略。反之，设为True，则模型在回归之前，会对特征集X减去平均数并除以L2范式(没懂)，理解为一种标准化的规则。如果设为了False，而你又想标准化特征集合，则需要使用 sklearn.preprocessing.StandardScaler类来进行预处理。

copy_X：
布尔类型，初始化为True。True则，特征集合不变，反之会被复写。

n_jobs:

The number of jobs to use for the computation

初始为None，表示用1个处理器计算；-1代表所有处理器，只用于多个目标集问题的提速和大型问题

属性:

coef_：权重矩阵，理解为线性函数y = w1x1 + w0 中的W1
intercept_ :偏移量，理解为线性函数y = w1x1 + w0 中的W0
rank_: 特征矩阵的秩
singular_:特征矩阵的奇异值

例子：

import numpy as np
from sklearn.linear_model import LinearRegression
X = np.array([[1, 1], [1, 2], [2, 2], [2, 3]])
# y = 1 * x_0 + 2 * x_1 + 3
y = np.dot(X, np.array([1, 2])) + 3
reg = LinearRegression().fit(X, y)  # 拟合调参
reg.score(X, y)  # 拟合程度，1.0最高

>>>1.0
reg.coef_  # 权重矩阵
>>>array([1., 2.])
reg.intercept_  # 偏移量
>>>3.0000...
reg.predict(np.array([[3, 5]]))  # 用拟合过的模型进行预测
>>>array([16.])

拓展:
score是如何计算出来的？
先看一下类定义里面的一段注释

LinearRegression fits a linear model with coefficients w = (w1, …, wp)
to minimize the residual sum of squares between the observed targets in
the dataset, and the targets predicted by the linear approximation.

简单讲就是说，线性回归意在使预测的目标值 与 数据集中的目标值 的 residual sum of squares(残差平方和)最小。
首先介绍R²、TSS、ESS和RSS
引用参考博客的一张图:
简单理解为：总体平方和是一个定值，回归平方和越大那么预测出来的目标值离回归线就越近，此时残差平方和就越小。
而R² = ESS/RSS = 1 - RSS/TSS，它表示线性回归方程拟合程度的高低。当其=1时，RSS=0，也就是残差平方和最小，可以理解为误差最小。
而上面代码中的score也就是这个R²(相关指数)。

参考:sklearn.metrics.r2_score