在Python中，可以使用scikit-learn库来实现多元线性回归。
首先，需要导入所需的库和模块：
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
接下来，需要准备好训练数据集和测试数据集。假设训练数据集包含n个样本，每个样本有m个特征，标签为y。可以将特征和标签分别存储在两个数组X和y中。
然后，可以使用train_test_split函数将数据集拆分成训练集和测试集：
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表示测试集占总数据集的比例为20%，random_state是随机种子，用于每次运行代码时得到相同的拆分结果。
接下来，可以创建一个LinearRegression对象，并使用训练数据来拟合模型：
model = LinearRegression()
model.fit(X_train, y_train)
训练完成后，可以使用模型对测试数据进行预测：
y_pred = model.predict(X_test)
最后，可以使用不同的评估指标来评估模型的性能，例如均方误差（Mean Squared Error）：
from sklearn.metrics import mean_squared_error
mse = mean_squared_error(y_test, y_pred)
print("均方误差：", mse)
以上就是使用scikit-learn实现多元线性回归的基本步骤。当然，还可以进行特征工程、数据标准化等进一步优化步骤来提高模型的性能。