LinearRegression默认且唯一使用最小二乘法，不支持solver参数、无正则项、要求X为二维数组、predict输出恒为1D，coef_长度等于特征数，intercept_恒为标量。
scikit-learn 的 LinearRegression 默认就是最小二乘法
它不是“一种可选方法”，而是唯一实现方式——LinearRegression 底层调用的是 scipy.linalg.lstsq 或 LAPACK 的 dgelss，纯正最小二乘求解。不用手动设参数，也不支持换其他损失函数（比如 Huber 或 L1）。
常见错误是以为要传 solver='lsqr' 或类似参数，其实那属于 SGDRegressor 或 Ridge 的配置项；对 LinearRegression 来说，加了反而报错：TypeError: __init__() got an unexpected keyword argument 'solver'。
- 只管拟合，不自动中心化或缩放特征——如果你的特征量纲差三四个数量级，系数会难解释，但不影响预测效果
- 没有内置正则项，遇到多重共线性时
.coef_可能剧烈震荡，甚至出现nan（极少数病态矩阵下） - 想加 L2 正则？直接换
Ridge，别硬改LinearRegression
fit() 前必须确保 X 是二维数组，否则报 ValueError: Expected 2D array, got 1D array instead
这是新手掉进最多的一次坑：把一列特征写成 y = model.fit(x, y)，其中 x 是 shape 为 (n,) 的 numpy.ndarray。sklearn 所有模型都要求输入特征是二维结构，哪怕只有一列。
正确做法：
立即学习“Python免费学习笔记（深入）”；
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 单特征一维数组转二维：
x.reshape(-1, 1)或x[:, np.newaxis] - 用 pandas 时注意：
df['col']返回 Series（一维），得写成df[['col']]（DataFrame，二维） - 如果误用了
np.array([1,2,3])直接传入，fit()不会帮你升维，也不会静默容忍
predict() 输出永远是 1D 数组，不管 X 是 1 行还是 1000 行
model.predict(X) 的返回值 shape 总是 (n_samples,)，不是 (n_samples, 1)。这点和 fit_transform() 类方法不同，容易在拼接预测结果和原始 DataFrame 时出错。
典型问题场景：
- 你拿
df['pred'] = model.predict(X)赋值，结果列长度对不上——大概率是X维度错了，而不是predict返回格式异常 - 想和真实标签
y_true一起算 MSE？确保两者都是 1D 且等长：mean_squared_error(y_true, y_pred)要求两个输入维度一致 - 不需要手动
.flatten()或.ravel()，它本来就是扁平的；但如果你做了.reshape(1, -1)反而会让后续计算报错
intercept_ 和 coef_ 的形状取决于输入 X 的列数，别硬套公式 y = ax + b
当 X 有多个特征时，coef_ 是 1D 数组，长度等于特征数；intercept_ 永远是标量（float）。没有“每个特征一个截距”这种事。
容易混淆的点：
- 你以为
coef_[0]对应第一个变量，就去手写y_hat = coef_[0] * x1 + coef_[1] * x2 + intercept_——没错，但前提是x1,x2都是同长度 1D 向量，且顺序和训练时列顺序严格一致 - 如果训练用的是
pd.DataFrame，列名顺序变了（比如先读 CSV 再重排列），coef_顺序不会跟着变，得靠model.feature_names_in_（>=1.2 版本）核对 - 老版本 sklearn 不提供
feature_names_in_，此时只能靠训练时传入的 X 的.columns或.shape[1]推断，不能靠变量名猜
复杂点在于：线性回归本身简单，但数据进出的形状、命名、顺序这些外围环节，才是实际项目里最常打断节奏的地方。
