np.linalg.lstsq更可靠，因其内部用SVD自动截断小奇异值，避免病态矩阵求逆的数值不稳定；而手推公式np.linalg.inv(X.T@X)@X.T@y在X.T@X接近奇异时易放大误差或报错。
为什么直接用 np.linalg.lstsq 比手推公式更可靠
因为浮点精度、矩阵病态性、截距项处理这些细节，手写 np.dot(np.linalg.inv(X.T @ X), X.T @ y) 极易出错。比如当 X.T @ X 接近奇异时，np.linalg.inv 会返回巨大误差甚至报 LinAlgError: Singular matrix；而 np.linalg.lstsq 内部用 SVD 分解，能自动截断小奇异值，稳定性强得多。
实操建议：
- 始终传入二维
X（哪怕只有一列特征），形状为(n_samples, n_features)，否则lstsq可能静默失败 - 若需带截距项，手动在
X左侧拼一列1：X_with_intercept = np.column_stack([np.ones(len(X)), X]) -
lstsq返回四元组，真正需要的是第一个元素（系数向量）和第三个（残差平方和）：coeffs, residuals, rank, s = np.linalg.lstsq(X_with_intercept, y, rcond=None)
如何正确设置 rcond 参数避免警告或偏差
rcond 控制 SVD 截断阈值，默认值在 NumPy 1.22+ 已改为 None（即自动选），但旧版本默认是 -1（触发弃用警告）。设得太小（如 1e-15）会让本该被忽略的微小奇异值参与计算，放大噪声；设得太大（如 1e-2）又可能误删有效秩。
实操建议：
- 显式传
rcond=None，让 NumPy 按max(M,N) * eps * max(s)自动计算（eps是浮点精度） - 如果数据明显共线（比如两个特征高度相关），观察返回的
rank是否小于n_features，这是lstsq已主动降秩的信号 - 不要用
rcond=0——它等价于不截断，失去数值鲁棒性
怎样把 lstsq 结果和 sklearn.LinearRegression 对齐
两者默认都支持截距，但 sklearn 把截距单独存为 .intercept_ 属性，而 lstsq 把它和其他系数一起放在返回数组首位。若你用 X_with_intercept，那么 coeffs[0] 就是截距，coeffs[1:] 是斜率。
实操建议：
- 验证时用相同数据：确保
X和y完全一致，且sklearn的fit_intercept=True（默认） - 注意
sklearn对单样本预测会补维度，lstsq不处理，所以预测时统一用X_test @ coeffs（含截距列） - 如果
sklearn返回rank不足，说明其内部也检测到矩阵问题，此时lstsq的rank输出就是关键诊断依据
遇到 residuals 为空数组怎么办
当 n_features >= n_samples（变量数 ≥ 样本数），最小二乘解不唯一，lstsq 无法计算残差，返回空数组 array([])。这不是错误，而是数学上的必然——此时模型过参数化，欠定系统有无穷多解。
实操建议：
- 检查
X.shape和y.shape，确认是否真的n_features >= n_samples - 若确实如此，考虑用岭回归（
np.linalg.solve(X.T @ X + alpha * np.eye(n), X.T @ y)）加 L2 正则 - 或者删掉冗余特征，或用 PCA 降维，再调用
lstsq
真正容易被忽略的是：即使 residuals 非空，它的长度也不总是 1——当 y 是二维（多输出）时，它返回每个输出的残差，这时候得用 residuals.sum() 才得到总残差平方和。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
