就我所知，通过更新权重(重复直到收敛)，使用梯度下降算法将成本降至最低，在线性回归的情况下，我们有
m : slope
c : intercept (constant value)
import numpy as np
from sklearn.linear_model import LinearRegression
x= np.asarray([(i+np.random.randint(1,7)) for i in range(1,31)]).reshape(-1,1)
y= np.dot([3],x.T) + 5
reg = LinearRegression()
reg.fit(x,y)
我已经使用了sklearn库，但在这里，我们没有在初始化或执行reg.fit()时将迭代和学习率作为输入.
为什么斯莱恩的线性回归不要求迭代和学习率？它是设置了某个缺省值还是使用了其他方法？
LinearRegression()不使用梯度下降，这就是为什么它没有learning_rate参数.相反，它使用数学公式直接计算最佳系数.换句话说，它有一个封闭形式的解，所以不需要像梯度下降这样的迭代求解器.
梯度下降是一种更通用的方法，可以处理更复杂的问题.不过，您仍然可以使用它进行线性回归-check out SGDRegressor().
对于您概述的线性模型，LinearRegression和SGDRegressor(penalty=None)都会找到相同的最佳权重.不同的是，在how中，他们达到了这一目标.前者直接计算精确解，而后者沿着最陡峭的梯度区域逐步收敛于全局最优.
在某些情况下，您可能需要使用一个求解器而不是另一个求解器，例如，如果您的数据集太大，无法放入内存，则不能使用LinearRegression，因为它需要同时查看所有数据.SGDRegressor是可行的，因为梯度下降可以将数据分解成小批次，并一次迭代一个小批次的解.