LinearRegression不会出现ConvergenceWarning，因其采用解析解（正规方程）直接求解，无迭代过程；若遇该警告，实际使用的是SGDRegressor等迭代算法，需检查数据标准化、max_iter和learning_rate设置。
Scikit-learn 的 LinearRegression 本身**不涉及学习率或迭代次数**——它用的是解析解（正规方程），根本不会发散或“不收敛”。你看到的“不收敛”警告，大概率是误用了其他模型（比如 SGDRegressor）或混淆了库/算法。
为什么 LinearRegression 不会出现 ConvergenceWarning？
LinearRegression 默认求解方式是直接计算 (X.T @ X)^(-1) @ X.T @ y，一步到位，没有迭代过程，也没有学习率概念。所以它既不会报 ConvergenceWarning，也不会因 max_iter 或 learning_rate 设置不当而失败。
如果你真遇到了类似警告，说明你实际在用的是：
-
SGDRegressor（随机梯度下降，需设learning_rate和max_iter） -
Ridge或Lasso配了solver='sag'/'saga'等迭代求解器 - 手写梯度下降，但未控制步长或未归一化特征
SGDRegressor 报 ConvergenceWarning 怎么办？
这是最常被当成“线性回归不收敛”的真实场景。警告典型内容是：ConvergenceWarning: Maximum number of iteration reached before convergence. Consider increasing max_iter.
立即学习“Python免费学习笔记（深入）”；
实操建议：
- 先检查是否漏了数据标准化：
SGDRegressor对特征尺度极度敏感，必须用StandardScaler预处理，否则梯度更新严重失衡 - 把
max_iter从默认 1000 提高到 5000 或 10000（尤其当样本量 > 10k 或特征数 > 100） - 调整
learning_rate：默认'invscaling'容易退火过快；对稳定训练，可改用'constant'+ 手动设eta0=0.01（需配合缩放后数据） - 换更鲁棒的损失函数：
loss='huber'比'squared_error'更抗离群点干扰
用 Ridge/Lasso 时怎么避免迭代不收敛？
这两个类虽有解析解路径（如 solver='cholesky'），但若显式指定 solver='sag' 或 'saga'，就会启用迭代法，并暴露同样问题：
- 强制统一预处理：
StandardScaler必须在 pipeline 里套牢，不能只 fit 训练集再 transform 测试集而漏掉验证逻辑 - 避免混合正则化强度：
C（或alpha）太小 → 损失曲面扁平 → 收敛慢；太大 → 参数被压向零 → 梯度消失。建议从alpha=1.0开始网格搜索 - 优先切回非迭代求解器：
Ridge(solver='cholesky')或Lasso(solver='coordinate_descent')（后者虽迭代但更稳定）
容易被忽略的关键点
真正卡住人的往往不是参数调优，而是数据链路断裂：
- 训练时用了
StandardScaler，预测时却忘了对新样本transform，导致输入尺度爆炸，后续所有迭代都失效 - 用
SGDRegressor处理含大量缺失值的列，没做填充就直接拟合，内部会静默跳过异常行，但梯度估计已失真 - 在 pipeline 中把
StandardScaler和SGDRegressor分开 fit，而不是用Pipeline([('scaler', StandardScaler()), ('reg', SGDRegressor())])，导致 scaler 未参与交叉验证的 fold 划分逻辑
迭代类回归器的“不收敛”，90% 是数据准备和流程封装的问题，不是算法本身扛不住。
