Linear Regression

La regressione lineare è un metodo statistico fondamentale e un algoritmo essenziale nell'apprendimento supervisionato utilizzato per modellare la relazione tra una variabile dipendente (target) e una o più variabili indipendenti (feature). A differenza degli algoritmi di classificazione che prevedono categorie discrete, la regressione lineare prevede un output continuo, rendendola indispensabile per le attività in cui l'obiettivo è prevedere specifici valori numerici. La sua semplicità e interpretabilità fungono da porta d'accesso alla comprensione di concetti più complessi di machine learning (ML), poiché introduce i meccanismi fondamentali su come i modelli imparano dai dati riducendo al minimo l'errore.

Link to this sectionMeccanismi di base e addestramento#

L'obiettivo principale di questa tecnica è trovare la "linea di miglior adattamento" — o un iperpiano in dimensioni superiori — che descriva meglio il pattern dei dati. Per ottenerlo, l'algoritmo calcola una somma pesata delle feature 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 fatto (ground truth).

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

Link to this sectionApplicazioni reali nell'IA#

Sebbene sia spesso associata a una semplice modellazione predittiva nell'analisi dei dati, i principi della regressione lineare sono profondamente radicati nelle architetture avanzate di deep learning (DL).

• Previsioni finanziarie: Gli analisti usano la regressione per prevedere i prezzi degli immobili, i valori azionari o i ricavi delle vendite basandosi su dati storici come metratura, posizione o precedenti trend di mercato.
• Computer Vision e Object Detection: I moderni rilevatori di oggetti, come la famiglia di modelli YOLO26, utilizzano la regressione nelle loro teste di rilevamento. Nello specifico, il modello esegue una "regressione delle bounding box" per prevedere le coordinate continue precise (centro x, centro y, larghezza, altezza) di un oggetto all'interno di un'immagine.

Link to this sectionRegressione Lineare vs. 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 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") passando l'output lineare attraverso una funzione di attivazione come la funzione sigmoide.

Link to this sectionEsempio: Regressione nell'Object Detection#

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

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 sfruttando queste capacità di regressione per dataset specializzati possono utilizzare la Ultralytics Platform per annotazioni semplificate e addestramento nel cloud. Comprendere questi principi di base della regressione fornisce una solida base per padroneggiare attività complesse nell'intelligenza artificiale (AI) e nella computer vision.