Sklearn LinearRegression：索引会导致回归分数发生变化

Question

我偶然发现了scikitlearn的一些奇怪的LinearRegression行为。该代码将NP.M（要素矩阵）中包含的要素与作为权重NP.flatDW的数据NP.flatweights相匹配。要素Matrix具有以下形状：

>>> np.shape(NP.M)
(2121, 27)

因此，NP.M[:, np.arange(0, 27)] == NP.M但是尽管如此，

>>> np.sum(NP.M[:, np.arange(0, 27)] == NP.M) == np.size(NP.M)
True

发生以下情况：

>>> reg = LinearRegression()
>>> reg.fit(NP.M[:, np.arange(0, 27)], NP.flatDW, sample_weight = NP.flatweights)
>>> reg.score(NP.M[:, np.arange(0, 27)], NP.flatDW, sample_weight = NP.flatweights)
0.99461571849945363
>>> reg2 = LinearRegression()
>>> reg2.fit(NP.M, NP.flatDW, sample_weight = NP.flatweights)
>>> reg2.score(NP.M, NP.flatDW, sample_weight = NP.flatweights)
0.99473478592046516

正如您所看到的，NP.M[:, np.arange(0, 27)]的分数低于NP.M的分数，但它们应该相等。

分数函数似乎不是错误，因为

>>> reg.score(NP.M, NP.flatDW, sample_weight = NP.flatweights)
0.99461571849945363

与上面reg.score的结果相同，两次回归的预测都不同。

那么，索引如何在后台更改特征矩阵？有一些隐藏的数字问题吗？