sklearn中拥有有非常庞大的线性回归模型家族，采用各种算法用以解决各类线性回归问题。不同的线性回归模型的参数设置、模型方法和调参策略并不一样，本文并不具体介绍每个模型的具体接口和使用事项，仅简单梳理下sklearn中的部分线性回归模型。
线性回归模型按照正则化策略：可分为普通回归问题（无正则化项）、L1正则（Lasso问题）、L2正则（Ridge问题）和弹性网ElasticNet（L1正则+L2正则）。
线性回归模型按照计算策略：可分为最小二乘法、坐标轴轴下降法、最小角回归法、梯度下降法，同时对于Ridge回归可以利用核机巧将其推广到高维非线性空间。相关算法的细节可参考对应博文。值得强调的是，这里的梯度下降法是变形后的梯度下降法（如在Logsitic回归中介绍的各种优化器），因为原始的梯度下降法并不能解决L1正则项不可导的问题。
从正则化策略和计算策略这两个问题，对sklearn中的线性回归模型进行大概的梳理，可以得到不同的sklearn中不同模型的适用条件（见下图）。
来源：CSDN
作者：guofei_fly
链接：https://blog.csdn.net/guofei_fly/article/details/103889406