Regressão Linear

A regressão linear é um método estatístico fundamental e um algoritmo básico na aprendizagem supervisionada, usado para modelar a relação entre uma variável dependente (alvo) e uma ou mais variáveis independentes (características). Ao contrário dos algoritmos de classificação que prevêem categorias discretas, a regressão linear prevê um resultado contínuo, tornando-a essencial para tarefas cujo objetivo é prever valores numéricos específicos. A sua simplicidade e interpretabilidade servem como porta de entrada para a compreensão de conceitos mais complexos de aprendizagem automática (ML), uma vez que introduz a mecânica central de como os modelos aprendem com os dados, minimizando o erro.

Mecânica básica e treino

O objetivo principal dessa técnica é encontrar a "linha de melhor ajuste" — ou um hiperplano em dimensões superiores — que melhor descreva o padrão dos dados. Para isso, o algoritmo calcula uma soma ponderada das características de entrada mais um termo de viés. Durante o processo de treinamento, o modelo ajusta iterativamente esses parâmetros internos, conhecidos como weights and biases, para reduzir a discrepância entre as suas previsões e a verdade 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, é utilizado um algoritmo de otimização, como o descida de gradiente, para atualizar os pesos. Se o modelo se alinhar muito com o ruído nos dados de treino, corre-se o risco de sobreajuste, enquanto que um modelo demasiado simples para capturar a tendência subjacente sofre de subajuste.

Aplicações do mundo real em IA

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

• Previsão financeira: os analistas utilizam regressão para prever preços de imóveis, valores de ações ou receitas de vendas com base em dados históricos, como metragem quadrada, localização ou tendências anteriores do mercado.
• 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 uma "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 da regressão logística. Embora ambos sejam modelos lineares , os seus resultados 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 spam») passando o resultado linear por uma função de ativação, como a função sigmoidal.

Exemplo: Regressão na deteção de objetos

No contexto da visão computacional, quando um modelo como o 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 desejam treinar modelos personalizados que aproveitem esses recursos de regressão para conjuntos de dados especializados podem utilizar a Ultralytics para anotação simplificada e treinamento em nuvem. Compreender esses princípios básicos de regressão fornece uma base sólida para dominar tarefas complexas em inteligência artificial (IA) e visão computacional.