以下是一个Python代码示例，用于计算未定义数量的自变量的线性模型。它使用了Python中的多项式回归函数和zip函数，zip函数可以同时迭代多个列表。

import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures

# 定义自变量和因变量
X = [[1, 2, 3], [1, 3, 4], [1, 4, 5], [1, 5, 6]]
y = [2, 5, 7, 9]

# 计算线性模型
poly = PolynomialFeatures(degree=1)
X_poly = poly.fit_transform(X)
lin_reg = LinearRegression()
lin_reg.fit(X_poly, y)

# 为新值计算预测值
new_X = [[1, 6, 7], [1, 7, 8], [1, 8, 9]]
new_X_poly = poly.fit_transform(new_X)
new_y = lin_reg.predict(new_X_poly)

在这个例子中，我们有4个样本点，每个样本点有3个自变量。我们预测因变量y的值。代码首先使用PolynomialFeatures转换器将自变量X转换为多项式形式。然后，该转换器使用degree=1参数，将每个自变量的最高次幂设置为1，这等价于线性回归。接下来，我们使用sklearn.linear_model库中的LinearRegression类计算模型（这里使用了默认参数）。最后，我们使用预测值预测了新的自变量的值。