LinearRegression不主动应对共线性，而是忠实实现最小二乘法：当X接近奇异时，系数剧烈震荡、符号反常、标准误爆炸，属数学本质所致；它不计算VIF、不检查条件数、不剔变量、不加惩罚项，仅用广义逆求解，导致静默失效——训练效果好但系数不可信，需手动诊断（如VIF）或改用Ridge等正则化模型。
LinearRegression 本身不是“无法处理”共线性，而是它**不主动应对**——它照常求解最小二乘解，但当设计矩阵 X 接近奇异（即列之间高度线性相关）时，np.linalg.pinv(X.T @ X) 或底层 SVD 分解会放大数值误差，导致系数剧烈震荡、符号反常、标准误爆炸。这不是 bug，是 OLS 的数学本质决定的。
为什么 LinearRegression 不做任何共线性防御？
scikit-learn 的 LinearRegression 定位是“忠实实现最小二乘”，不内置诊断或正则化机制：
- 它不计算 VIF，也不检查条件数（
np.linalg.cond(X)） - 它不剔除变量、不缩放特征、不添加任何惩罚项
- 遇到秩亏（rank-deficient）
X时，默认使用广义逆（Moore-Penrose），结果仍可算出，但系数已不可信
LinearRegression 遇到共线性时的典型表现
这些现象不是报错，而是静默失效，极易被忽略：
- 训练集
score()很高，但测试集 MSE 突然变大、R² 下跌明显 -
model.coef_中出现极大正负值（如1e6或-8.3e5） - 同一数据微调（比如增删 1 行样本）后，
coef_[i]符号翻转或数量级跳变 - 用
statsmodels的.summary()对比会发现LinearRegression缺少 std err / t-stat / p-value —— 因为它不估计方差协方差矩阵
想让模型“扛住”共线性，必须手动干预
sklearn 不替你做决策，但提供了明确出口：
- 诊断先行：用
variance_inflation_factor计算 VIF，或直接看np.linalg.cond(X)> 1e6 就危险 - 改用带正则的模型：
Ridge（L2）、Lasso（L1）或ElasticNet，它们天然对共线性鲁棒 - 注意
Ridge的alpha：太小（如1e-5）≈ 没效果；太大（如100）会让所有系数趋近于 0；建议用cross_val_score或RidgeCV找平衡点 - 别依赖
LinearRegression的fit_intercept=False来“绕过”截距问题——它不解决列相关性，只去掉常数项
