Linear Regression

선형 회귀는 기본적인 통계 기법이자 지도 학습의 기초 알고리즘으로, 종속 변수(타겟)와 하나 이상의 독립 변수(피처) 간의 관계를 모델링하는 데 사용됩니다. 개별 범주를 예측하는 분류 알고리즘과 달리 선형 회귀는 연속적인 출력값을 예측하므로, 특정 수치 값을 예측해야 하는 작업에 필수적입니다. 선형 회귀는 모델이 데이터를 통해 어떻게 오류를 최소화하며 학습하는지에 대한 핵심 메커니즘을 다루고 있어, 더 복잡한 머신 러닝(ML) 개념을 이해하기 위한 관문 역할을 합니다.

Link to this section핵심 메커니즘 및 학습#

이 기법의 주요 목적은 데이터 패턴을 가장 잘 설명하는 "최적의 선(line of best fit)"—더 높은 차원에서는 초평면(hyperplane)—을 찾는 것입니다. 이를 위해 알고리즘은 입력 피처의 가중치 합계에 편향(bias) 항을 더하여 계산합니다. 학습 과정 동안 모델은 예측값과 실제 정답 사이의 차이를 줄이기 위해 가중치와 편향이라고 알려진 내부 파라미터를 반복적으로 조정합니다.

This discrepancy is quantified using a loss function, with the most common choice being Mean Squared Error (MSE). To effectively minimize the loss, an optimization algorithm such as gradient descent is employed to update the weights. If the model aligns too closely with the noise in the training data, it risks overfitting, whereas a model that is too simple to capture the underlying trend suffers from underfitting.

Link to this sectionAI의 실제 응용 사례#

While often associated with simple predictive modeling in data analytics, linear regression principles are deeply embedded in advanced deep learning (DL) architectures.

• 재무 예측: 분석가들은 회귀 분석을 사용하여 평수, 위치, 과거 시장 추세와 같은 과거 데이터 포인트를 기반으로 주택 가격, 주식 가치 또는 매출액을 예측합니다.
• 컴퓨터 비전 및 객체 탐지: YOLO26 모델 제품군과 같은 최신 객체 탐지기는 탐지 헤드(detection heads)에서 회귀를 활용합니다. 특히 모델은 이미지 내 객체의 정확한 연속 좌표(중심 x, 중심 y, 너비, 높이)를 예측하기 위해 "바운딩 박스 회귀"를 수행합니다.

Link to this section선형 회귀 vs. 로지스틱 회귀#

이 용어를 로지스틱 회귀와 구분하는 것이 중요합니다. 둘 다 선형 모델이지만 출력값은 크게 다릅니다. 선형 회귀는 연속적인 수치 값(예: 자동차 가격)을 예측합니다. 반면, 로지스틱 회귀는 선형 출력값을 시그모이드 함수와 같은 활성화 함수에 통과시켜 입력값이 특정 범주에 속할 확률(예: 이메일이 "스팸"인지 "스팸 아님"인지 여부)을 예측하는 분류 작업에 사용됩니다.

Link to this section예시: 객체 탐지에서의 회귀#

컴퓨터 비전 분야에서 YOLO26과 같은 모델이 객체를 탐지할 때, 바운딩 박스 좌표는 회귀 작업의 결과물입니다. 모델은 객체의 위치를 정확하게 찾기 위해 연속적인 값을 예측합니다.

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()}")

전문적인 데이터셋을 위해 이러한 회귀 기능을 활용하는 맞춤형 모델을 학습하고자 하는 사용자는 Ultralytics Platform을 사용하여 주석 작업 및 클라우드 학습을 간소화할 수 있습니다. 이러한 기본적인 회귀 원리를 이해하면 인공지능(AI) 및 컴퓨터 비전 분야의 복잡한 작업을 마스터하는 데 탄탄한 기초가 됩니다.