在Python中，可以使用scikit-learn庫來實現多元線性回歸。
首先，需要導入所需的庫和模塊：
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
接下來，需要準備好訓練數據集和測試數據集。假設訓練數據集包含n個樣本，每個樣本有m個特征，標簽為y。可以將特征和標簽分別存儲在兩個數組X和y中。
然后，可以使用train_test_split函數將數據集拆分成訓練集和測試集：
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
其中，test_size=0.2表示測試集占總數據集的比例為20%，random_state是隨機種子，用于每次運行代碼時得到相同的拆分結果。
接下來，可以創建一個LinearRegression對象，并使用訓練數據來擬合模型：
model = LinearRegression()
model.fit(X_train, y_train)
訓練完成后，可以使用模型對測試數據進行預測：
y_pred = model.predict(X_test)
最后，可以使用不同的評估指標來評估模型的性能，例如均方誤差（Mean Squared Error）：
from sklearn.metrics import mean_squared_error
mse = mean_squared_error(y_test, y_pred)
print("均方誤差：", mse)
以上就是使用scikit-learn實現多元線性回歸的基本步驟。當然，還可以進行特征工程、數據標準化等進一步優化步驟來提高模型的性能。
