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). Ao contrário dos algoritmos de classificação que preduzem categorias discretas, a regressão linear prevê uma saída contínua, tornando-se essencial para tarefas em que o objetivo é prever valores numéricos específicos. Sua simplicidade e interpretabilidade servem como porta de entrada para a compreensão de conceitos mais complexos de aprendizado de máquina (ML), pois introduz a mecânica central de como os modelos aprendem com os dados, minimizando o erro.

Mecânica Central e Treinamento#

O objetivo principal desta técnica é encontrar a "linha de melhor ajuste" — ou um hiperplano em dimensões superiores — que melhor descreva 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 de campo real.

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

Aplicações no Mundo Real em IA#

Embora frequentemente associados a modelagem preditiva simples em análise de dados, os princípios da regressão linear estão profundamente embutidos em arquiteturas avançadas de aprendizado profundo (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 a regressão em suas cabeças 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.

Regressão Linear vs. Regressão Logística#

É importante distinguir este termo de Regressão Logística. Embora ambos sejam modelos lineares, suas saídas 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 é spam") passando a saída linear por uma função de ativação como a função sigmóide.

Exemplo: Regressão em Detecção de Objetos#

No contexto da visão computacional, quando um modelo como o Ultralytics 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 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()}")

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