回归 线性模型

 LinearRegression​ 是拟合一个带有回归系数的， 使得数据的实际观测值和线性近似预测的预测值之间的残差平方和最小的一个线性模型。

 LinearRegression​将采用它的 fit 方法去拟合数组x，y，并将线性模型的回归系数存储在它的coef_中：

>>> from sklearn import linear_model
>>> reg = linear_model.LinearRegression()
>>> reg.fit([[0, 0], [1, 1], [2, 2]], [0, 1, 2])
LinearRegression()
>>> reg.coef_
array([0.5, 0.5])

普通最小二乘的系数估计依赖于特征的独立性。当特征相关且设计矩阵的列之间具有近似线性相关性时， 设计矩阵趋于奇异矩阵，最小二乘估计对观测目标的随机误差高度敏感，可能产生很大的方差。例如，在没有实验设计的情况下收集数据时，就可能会出现这种多重共线性的情况。

回归：Ridge 通过对系数的大小施加惩罚来解决普通最小二乘的一些问题。与其他线性模型一样ÿ