Linear Regression

A Regressão Linear é um método estatístico fundamental e um algoritmo básico em aprendizado supervisionado usado para modelar a relação entre uma variável dependente (alvo) e uma ou mais variáveis independentes (recursos). Diferente de algoritmos de classificação que preveem categorias discretas, a regressão linear prevê um resultado contínuo, tornando-a essencial para tarefas onde o objetivo é prever valores numéricos específicos. Sua simplicidade e interpretabilidade servem como uma porta de entrada para entender conceitos mais complexos de machine learning (ML), pois introduz a mecânica central de como os modelos aprendem com os dados ao minimizar o erro.

Link to this sectionMecânica Central e Treinamento#

O objetivo principal desta técnica é encontrar a "linha de melhor ajuste" — ou um hiperplano em dimensões superiores — que melhor descreve o padrão dos dados. Para alcançar isso, o algoritmo calcula uma soma ponderada dos recursos de entrada mais um termo de viés. Durante o processo de treinamento, o modelo ajusta iterativamente esses parâmetros internos, conhecidos como pesos e vieses, para reduzir a discrepância entre suas previsões e a verdade fundamental (ground truth).

Esta discrepância é quantificada usando uma função de perda, sendo a escolha mais comum o Erro Quadrático Médio (MSE). Para minimizar a perda de forma eficaz, um algoritmo de otimização como o gradiente descendente é empregado para atualizar os pesos. Se o modelo se alinhar muito proximamente ao ruído nos dados de treinamento, ele corre o risco de overfitting, enquanto um modelo muito simples para capturar a tendência subjacente sofre de underfitting.

Link to this sectionAplicações no Mundo Real em IA#

Embora frequentemente associada à modelagem preditiva simples em análise de dados, os princípios da regressão linear estão profundamente incorporados em arquiteturas avançadas de deep learning (DL).

• Previsão Financeira: Analistas usam regressão para prever preços de imóveis, valores de ações ou receita de vendas com base em pontos de dados históricos, como metragem quadrada, localização ou tendências de mercado anteriores.
• Visão Computacional e Detecção de Objetos: Detectores de objetos modernos, como a família de modelos YOLO26, utilizam regressão em seus cabeçotes de detecção. Especificamente, o modelo realiza "regressão de caixa delimitadora" para prever as coordenadas contínuas precisas (centro x, centro y, largura, altura) de um objeto dentro de uma imagem.

Link to this sectionRegressão Linear vs. Regressão Logística#

É importante distinguir este termo da Regressão Logística. Embora ambos sejam modelos lineares, seus resultados diferem significativamente. A regressão linear prevê um valor numérico contínuo (por exemplo, o preço de um carro). Em contraste, a regressão logística é usada para tarefas de classificação, prevendo a probabilidade de que uma entrada pertença a uma categoria específica (por exemplo, se um e-mail é "spam" ou "não spam") ao passar o resultado linear por uma função de ativação como a função sigmoide.

Link to this sectionExemplo: Regressão em Detecção de Objetos#

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

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()}")

Usuários que buscam treinar modelos personalizados que aproveitam essas capacidades de regressão para conjuntos de dados especializados podem utilizar a Ultralytics Platform para anotação simplificada e treinamento na nuvem. Entender esses princípios básicos de regressão fornece uma base sólida para dominar tarefas complexas em inteligência artificial (AI) e visão computacional.