Linear Regression

La regressione lineare è un metodo statistico fondamentale e un algoritmo di base nell'apprendimento supervisionato utilizzato per modellare la relazione tra una variabile dipendente (target) e una o più variabili indipendenti (caratteristiche). A differenza degli algoritmi di classificazione, che prevedono categorie discrete, la regressione lineare prevede un output continuo, rendendola essenziale per le attività in cui l'obiettivo è prevedere specifici valori numerici. La sua semplicità e interpretabilità costituiscono un punto di accesso alla comprensione di concetti più complessi di apprendimento automatico (ML), poiché introduce i meccanismi fondamentali con cui i modelli apprendono dai dati minimizzando l'errore.

Meccanismi fondamentali e addestramento#

L'obiettivo principale di questa tecnica è trovare la "retta di miglior adattamento"—o un iperpiano in dimensioni superiori—che descriva al meglio il modello presente nei dati. A questo scopo, l'algoritmo calcola una somma ponderata delle caratteristiche di input più un termine di bias. Durante il processo di addestramento, il modello regola iterativamente questi parametri interni, noti come pesi e bias, per ridurre la discrepanza tra le sue previsioni e la verità di riferimento effettiva.

Questa discrepanza viene quantificata utilizzando una funzione di perdita, e la scelta più comune è l'Errore quadratico medio (MSE). Per minimizzare efficacemente la perdita, viene impiegato un algoritmo di ottimizzazione, come la discesa del gradiente, per aggiornare i pesi. Se il modello si allinea troppo strettamente al rumore presente nei dati di addestramento, rischia di incorrere nell'overfitting, mentre un modello troppo semplice per catturare la tendenza sottostante soffre di underfitting.

Applicazioni reali nell'IA#

Sebbene sia spesso associata alla semplice [modellazione predittiva](https://ultralytics-translation-0.invalid nell'analisi dei dati, i principi della regressione lineare sono profondamente integrati nelle architetture avanzate di apprendimento profondo (DL).

• Previsioni finanziarie: gli analisti utilizzano la regressione per prevedere i prezzi delle abitazioni, i valori azionari o i ricavi delle vendite sulla base di dati storici come la superficie, la posizione o le tendenze di mercato precedenti.
• Visione artificiale e rilevamento degli oggetti: i moderni rilevatori di oggetti, come la famiglia di modelli YOLO26, utilizzano la regressione nelle loro teste di rilevamento. Nello specifico, il modello esegue la "regressione delle bounding box" per prevedere le coordinate continue precise (centro x, centro y, larghezza, altezza) di un oggetto all'interno di un'immagine.

Regressione lineare e regressione logistica#

È importante distinguere questo termine dalla regressione logistica. Sebbene entrambi siano modelli lineari, i loro output differiscono significativamente. La regressione lineare prevede un valore numerico continuo (ad esempio, il prezzo di un'auto). Al contrario, la regressione logistica viene utilizzata per le attività di classificazione, prevedendo la probabilità che un input appartenga a una categoria specifica (ad esempio, se un'e-mail è "spam" o "non spam") facendo passare l'output lineare attraverso una funzione di attivazione come la funzione sigmoide.

Esempio: regressione nel rilevamento degli oggetti#

Nel contesto della visione artificiale, quando un modello come Ultralytics YOLO26 rileva un oggetto, le coordinate della bounding box sono il risultato di un'attività di regressione. Il modello prevede valori continui per localizzare con precisione l'oggetto.

from ultralytics import YOLO

# Load the YOLO26 model (nano version)
model = YOLO("yolo26n.pt")

# Run inference on an image
# The model uses regression to determine the exact box placement
results = model("https://ultralytics.com/images/bus.jpg")

# Display the continuous regression outputs (x, y, width, height)
for box in results[0].boxes:
    print(f"Box Regression Output (xywh): {box.xywh.numpy()}")

Gli utenti che desiderano addestrare modelli personalizzati che sfruttano queste funzionalità di regressione per dataset specializzati possono utilizzare la Ultralytics Platform per semplificare l'annotazione e l'addestramento nel cloud. La comprensione di questi principi di base della regressione fornisce una solida base per padroneggiare attività complesse nell'intelligenza artificiale (AI) e nella visione artificiale.