对比numpy、scipy、sklearn线性回归函数：预处理与罚函数差异及疑问

待验证结论 #

• scipy.linalg.lstsq()与sklearn.linear_model.LinearRegression本质逻辑一致，仅后者默认会执行数据预处理（中心化），可通过设置fit_intercept=False关闭该操作。
• 二者默认实现可能因版本不同存在细节差异，但在数据集规模小、设备性能充足的场景下，不会对使用造成影响。
• 当要求回归系数为正时，LinearRegression可设置positive=True参数；scikit-learn和numpy均提供非负最小二乘（NNLS）相关实现。

剩余疑问 #

需确认以下四种方法在罚函数、预处理等方面是否存在显著差异：

• scipy.optimize.nnls
• sklearn.linear_model.LinearRegression(positive=True, fit_intercept=False)
• np.linalg.lstsq
• scipy.linalg.lstsq

场景说明：数据集规模较小，所有数值均为正，回归系数应为正（未指定参数时测试也得到正系数）。

已做测试发现 #

测试了np.linalg.lstsq、sklearn LinearRegression(positive=True)及scipy.nnls三种方法，结果显示：使用未经过sklearn StandardScaler标准化的原始数据时，拟合结果更准确。

内容的提问来源于stack exchange，提问作者drone no.204