最小二乘法线性回归：sklearn.linear_model.LinearRegression(fit_intercept=True, normalize=False,copy_X=True, n_jobs=1)
主要参数说明：
fit_intercept(添加截距)：布尔型，默认为True，若参数值为True时，代表训练模型需要加一个截距项b；若参数为False时，代表模型无需加截距项。
normalize(归一化)：布尔型，默认为False，若fit_intercept参数设置False时，normalize参数无需设置；若normalize设置为True时，则输入的样本数据将(X-X均值)/||X||；若设置normalize=False时，在训练模型前， 可以使用sklearn.preprocessing.StandardScaler进行标准化处理。
属性：
coef_：回归系数(斜率)
intercept_：截距项
主要方法：
①fit(X, y, sample_weight=None)，返回一个实例化好的fit（就是初始化好一个线性函数）
②predict(X)
③score(X, y, sample_weight=None)
返回值为： 
他表示预测值与标签均值的相似度。score越靠近0预测就越接近真值。
