Python：Sklearn.linear_model.LinearRegression 工作很奇怪

我正在尝试进行多变量线性回归。但我发现 sklearn.linear_model 的工作非常奇怪。这是我的代码：

import numpy as np
from sklearn import linear_model

b = np.array([3,5,7]).transpose() ## the right answer I am expecting
x = np.array([[1,6,9],   ## 1*3 + 6*5 + 7*9 = 96
              [2,7,7],   ## 2*3 + 7*5 + 7*7 = 90
              [3,4,5]])  ## 3*3 + 4*5 + 5*7 = 64
y = np.array([96,90,64]).transpose()

clf = linear_model.LinearRegression()
clf.fit([[1,6,9],
         [2,7,7],
         [3,4,5]], [96,90,64])
print clf.coef_ ## <== it gives me [-2.2  5  4.4] NOT [3, 5, 7]
print np.dot(x, clf.coef_) ## <== it gives me [ 67.4  61.4  35.4]

为了找到你的初始系数，你需要使用关键字fit_intercept=False构建线性回归时。

import numpy as np
from sklearn import linear_model

b = np.array([3,5,7])
x = np.array([[1,6,9],  
              [2,7,7],   
              [3,4,5]])  
y = np.array([96,90,64])

clf = linear_model.LinearRegression(fit_intercept=False)
clf.fit(x, y)
print clf.coef_
print np.dot(x, clf.coef_)

Using fit_intercept=False防止LinearRegression对象从与x - x.mean(axis=0)，否则它会这样做（并使用常量偏移捕获平均值y = xb + c) - 或者等效地添加一列1 to x.

作为旁注，调用transpose一维数组上没有任何效果（它颠倒了轴的顺序，而你只有一个）。