Linear Regression

La regressione lineare è un metodo statistico fondamentale e un algoritmo alla base dell'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 fungono da punto di accesso per comprendere concetti più complessi di apprendimento automatico (ML), poiché introduce i meccanismi centrali di come i modelli apprendono dai dati riducendo al minimo l'errore.

Meccanismi di base e addestramento#

L'obiettivo primario di questa tecnica è trovare la "retta di regressione ottimale" (o un iperpiano in dimensioni superiori) che descriva al meglio il pattern dei dati. Per ottenere ciò, 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 predizioni e la verità di fatto effettiva.

Questa discrepanza viene quantificata utilizzando una funzione di perdita, e la scelta più comune è l'errore quadratico medio (MSE). Per ridurre al minimo la perdita in modo efficace, viene impiegato 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 il trend sottostante soffre di underfitting.

Applicazioni reali nell'IA#

Sebbene sia spesso associata a semplici modelli predittivi nell'analisi dei dati, i principi della regressione lineare sono profondamente integrati in 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 la "regressione dei bounding box" per prevedere le coordinate continue precise (centro x, centro y, larghezza, altezza) di un oggetto all'interno di un'immagine.

Regressione Lineare vs. Regressione Logistica#

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

Esempio: 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 che sfruttano queste capacità di regressione per dataset specializzati possono utilizzare la Ultralytics Platform per un'annotazione semplificata e un addestramento sul cloud. Comprendere questi principi di base della regressione fornisce una solida base per padroneggiare attività complesse nell'intelligenza artificiale (AI) e nella computer vision.