Linear Regression

A regressão linear é um método estatístico fundamental e um algoritmo basilar de aprendizagem supervisionada utilizado para modelar a relação entre uma variável dependente (alvo) e uma ou mais variáveis independentes (características). Ao contrário dos algoritmos de classificação, que preveem categorias discretas, a regressão linear prevê uma saída contínua, sendo essencial para tarefas cujo objetivo é prever valores numéricos específicos. A sua simplicidade e interpretabilidade servem como porta de entrada para compreender conceitos mais complexos de aprendizagem automática (ML), pois introduz os mecanismos fundamentais de como os modelos aprendem com os dados minimizando o erro.

Mecanismos Fundamentais e Treino#

O principal objetivo desta técnica é encontrar a "linha de melhor ajuste" — ou um hiperplano em dimensões superiores — que descreva melhor o padrão dos dados. Para tal, o algoritmo calcula uma soma ponderada das características de entrada, acrescida de um termo de viés. Durante o processo de treino, o modelo ajusta iterativamente estes parâmetros internos, conhecidos como pesos e vieses, para reduzir a discrepância entre as suas previsões e a verdade fundamental observada.

Esta discrepância é quantificada utilizando uma função de perda, sendo a opção mais comum o Erro Quadrático Médio (MSE). Para minimizar eficazmente a perda, é utilizado um algoritmo de otimização, como a descida do gradiente, para atualizar os pesos. Se o modelo se alinhar demasiado com o ruído presente nos dados de treino, corre o risco de sofrer de sobreajuste, enquanto um modelo demasiado simples para captar a tendência subjacente sofre de subajuste.

Aplicações dos Vetores de Direcionamento no Mundo Real em IA#

Embora seja frequentemente associada à simples modelação preditiva em análise de dados, os princípios da regressão linear estão profundamente integrados em arquiteturas avançadas de aprendizagem profunda (DL).

• Previsão Financeira: Os analistas utilizam a regressão para prever preços de habitações, valores de ações ou receitas de vendas com base em dados históricos, como a área, a localização ou tendências de mercado anteriores.
• Visão Computacional e Deteção de Objetos: Os detetores de objetos modernos, como a família de modelos YOLO26, utilizam a regressão nas suas cabeças de deteção. Especificamente, o modelo executa uma "regressão de caixas delimitadoras" para prever as coordenadas contínuas precisas (centro x, centro y, largura, altura) de um objeto numa imagem.

Regressão Linear vs. Regressão Logística#

É importante distinguir este termo de Regressão Logística. Embora ambas sejam modelos lineares, as suas saídas diferem significativamente. A regressão linear prevê um valor numérico contínuo (por exemplo, o preço de um carro). Em contrapartida, a regressão logística é utilizada para tarefas de classificação, prevendo a probabilidade de uma entrada pertencer a uma categoria específica (por exemplo, se um e-mail é "spam" ou "não é spam") ao passar a saída linear por uma função de ativação, como a função sigmoide.

Exemplo: Regressão na Deteção de Objetos#

No contexto da visão computacional, quando um modelo como o Ultralytics YOLO26 deteta um objeto, as coordenadas da caixa delimitadora são o resultado de uma tarefa de regressão. O modelo prevê valores contínuos para localizar o objeto com precisão.

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()}")

Os utilizadores que pretendam treinar modelos personalizados que tirem partido destas capacidades de regressão para conjuntos de dados especializados podem utilizar a Ultralytics Platform para simplificar a anotação e o treino na cloud. Compreender estes princípios básicos de regressão fornece uma base sólida para dominar tarefas complexas de inteligência artificial (AI) e visão computacional.