要解决线性回归结果变差的问题，可以尝试以下方法：

1. 特征缩放：使用标准化或规范化技术对特征进行缩放，确保特征具有相似的尺度。这有助于避免某些特征对模型的影响过大。以下是一个示例：

from sklearn.preprocessing import StandardScaler

# 创建标准化对象
scaler = StandardScaler()

# 对特征进行标准化
X_scaled = scaler.fit_transform(X)

# 使用标准化后的特征进行线性回归
regressor.fit(X_scaled, y)

2. 特征选择：通过选择最相关的特征来改善模型的性能。可以使用特征选择技术，例如方差阈值、相关性阈值或递归特征消除等。以下是一个示例：

from sklearn.feature_selection import SelectKBest, f_regression

# 使用F检验选择K个最相关的特征
selector = SelectKBest(score_func=f_regression, k=3)
X_selected = selector.fit_transform(X, y)

# 使用选择的特征进行线性回归
regressor.fit(X_selected, y)

3. 正则化：使用正则化技术来减少模型的过拟合。可以尝试使用L1正则化（Lasso回归）或L2正则化（岭回归）。以下是一个示例：

from sklearn.linear_model import Lasso

# 创建Lasso回归对象
lasso = Lasso(alpha=0.1)

# 使用Lasso回归进行特征选择和线性回归
lasso.fit(X, y)

通过这些方法，可以改善线性回归模型的性能并减少其结果的变差。需要根据具体问题和数据集的特点选择合适的方法。