Python scikit学习中不同数据子集的回归

我试图估计一些权重，但数据集中的每个条目每次只包含“活动”权重的子集。我觉得这应该很容易，但我一直在思考如何构造问题

数据来自一个物理过程，其中N个闸门分别允许不同的流量。但是，在整个数据集上，每个闸门的流量不应显著波动。每个可用数据点包含：

• 闸门的开/关状态
• 整个系统的总流量

总流量只是通过闸门的流量总和

所以我想说：

configs=np.array([
[1,0,0,0], [1,1,0,0], [1,1,1,0],
[1,0,0,1], [1,1,0,1], [1,1,1,1]  ])
总计=np.array([[
2003, 236851, 393559,
5759, 238656, 395060 ]])

我试图将其作为联立线性方程组的基本系统来解决，因为数据点（即方程）比门的数量（即未知数）多得多。我可以对每个不同的数据点这样做，然后平均每个门的权重

有没有一种方法可以将其设置为回归问题，或者一个线性回归可以有效地完成我上面用联立方程所做的工作