sklearn中不使用fit方法、直接传系数和截距构建LinearRegression是否可行？

完全不需要调用内置的fit()方法即可实现。sklearn的LinearRegression类的拟合逻辑本质就是计算出特征系数和截距后，给实例的coef_、intercept_两个属性赋值，你完全可以跳过拟合步骤，直接手动给这两个属性赋值。

操作示例代码 #

from sklearn.linear_model import LinearRegression
import numpy as np

# 实例化线性回归对象
lr_model = LinearRegression()

# 手动赋值系数和截距，示例为2个特征的场景，coef_维度和特征数匹配
lr_model.coef_ = np.array([3.1, 1.8])
lr_model.intercept_ = 2.4

# 可直接调用predict方法进行预测
test_X = np.array([[2, 5], [4, 3]])
print(lr_model.predict(test_X))
# 计算逻辑：3.1*特征1 + 1.8*特征2 +2.4，输出结果为 [17.6 20.2]

注意事项 #

• 手动赋值的coef_维度必须和预测时输入的特征数量严格匹配，否则会触发维度不匹配报错
• 如果你的模型不需要截距项，直接把intercept_赋值为0即可
• 该操作逻辑同样适用于Ridge、Lasso等sklearn其他线性模型类，赋值对应coef_、intercept_属性后即可正常使用预测功能

内容的提问来源于stack exchange，提问作者David