Sklearn线性回归：索引导致回归的变化

Question

我偶然发现了一些奇怪的线性回归行为。该代码将NP.M（特征矩阵）中包含的特征与数据NP.flatDW相匹配，数据以NP.flatweights作为权重。特征矩阵具有以下形状：

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

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

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

出现以下情况：

>>> 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

如您所见，NP.M[:, np.arange(0, 27)]的得分低于NP.M的得分，但它们应该相等。你知道吗

这似乎不是score函数中的错误，因为

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

结果与上述reg.score相同，两种回归的预测结果不同。你知道吗

那么，索引是如何改变背景中的特征矩阵的呢？是否存在一些隐藏的数字问题？你知道吗