说到如何用

Python

执行线性回归，大部分人会立刻想到用

sklearn

的

linear_model

，但事实是，

Python

至少有

8

种执行线性回归的方法，

sklearn

并不是最高效

的。

今天，让我们来谈谈线性回归。没错，作为数据科学界元老级的模型，线性回归几乎是所

有数据科学家的入门必修课。

抛开涉及大量数统的模型分析和检验不说，你真的就能熟练

应用线性回归了么？未必！

在这篇文章中，文摘菌将介绍

8

种用

Python

实现线性回归的方法。了解了这

8

种方法，

就能够根据不同需求，灵活选取最为高效的方法实现线性回归。

“宝刀不老”的线性回归

时至今日，深度学习早已成为数据科学的新宠。即便往前推

10

年，

SVM

、

boosting

等算

法也能在准确率上完爆线性回归。

为什么我们还需要线性回归呢？

一方面，线性回归所能够模拟的关系其实远不止线性关系。线性回归中的“线性”指的是

系数的线性，而通过对特征的非线性变换，以及广义线性模型的推广，输出和特征之间的

函数关系可以是高度非线性的。另一方面，也是更为重要的一点，线性模型的易解释性使

得它在物理学、经济学、商学等领域中占据了难以取代的地位。

那么，如何用

Python

来实现线性回归呢？

由于机器学习库

scikit-learn

的广泛流行，常用的方法是从该库中调用

linear_model

来拟合

数据。

虽然这可以提供机器学习的其他流水线特征

（例如：

数据归一化，

模型系数正则化，

将线性模型传递到另一个下游模型）的其他优点，

但是当一个数据分析师需要快速而简便

地确定回归系数（和一些基本相关统计量）时，这通常不是最快速简便的方法。

下面，

我将介绍一些更快更简洁的方法，

但是它们所提供信息量和建模的灵活性不尽相同。

各种线性回归方法的完整源码都可以在文末的

GitHub

链接中找到。他们大多数都依赖于