Импортируем необходимый класс LinearRegression из библиотеки sklearn:

python

from sklearn.linear_model import LinearRegression

Затем создаем экземпляр модели LinearRegression():

python

model = LinearRegression()

Теперь у нас есть пустая модель линейной регрессии, которую мы можем обучить на наших данных. Для обучения модели используется метод .fit(). Он принимает два аргумента: матрицу признаков X и вектор целевых значений y. Метод .fit() выполняет процесс обучения модели, настраивая веса модели таким образом, чтобы минимизировать ошибку предсказания.

python

model.fit(X, y)

Матрица признаков X - это двумерный массив или DataFrame, где каждая строка представляет отдельное наблюдение, а каждый столбец представляет отдельный признак. Вектор целевых значений y - это одномерный массив или Series, содержащий значение целевой переменной для каждого наблюдения. После вызова метода .fit() модель будет обучена на наших данных, и веса модели будут настроены для минимизации ошибки предсказания. Теперь модель готова к предсказанию новых значений на основе входных признаков.