Linear Regression

Линейная регрессия — это фундаментальный статистический метод и основополагающий алгоритм в обучении с учителем, используемый для моделирования взаимосвязи между зависимой переменной (целевой переменной) и одной или несколькими независимыми переменными (признаками). В отличие от алгоритмов классификации, которые предсказывают дискретные категории, линейная регрессия предсказывает непрерывный результат, что делает её незаменимой для задач, в которых требуется спрогнозировать конкретные числовые значения. Её простота и интерпретируемость служат отправной точкой для понимания более сложных концепций машинного обучения (ML), поскольку она знакомит с основными принципами обучения моделей на данных посредством минимизации ошибки.

Основные принципы и обучение#

Основная цель этого метода — найти «линию наилучшего соответствия» или гиперплоскость в пространствах более высокой размерности, которая лучше всего описывает закономерность в данных. Для этого алгоритм вычисляет взвешенную сумму входных признаков и смещения. В процессе обучения модель итеративно корректирует эти внутренние параметры, известные как веса и смещения, чтобы уменьшить расхождение между её предсказаниями и фактическими эталонными значениями.

Это расхождение измеряется с помощью функции потерь, наиболее распространённым вариантом которой является среднеквадратичная ошибка (MSE). Для эффективной минимизации потерь применяется алгоритм оптимизации, например градиентный спуск, который обновляет веса. Если модель слишком точно подстраивается под шум в обучающих данных, возникает риск переобучения, тогда как слишком простая модель, неспособная уловить основную закономерность, страдает от недообучения.

Практическое применение векторов в ИИ#

Хотя линейная регрессия часто ассоциируется с простым прогностическим моделированием в аналитике данных, её принципы глубоко интегрированы в архитектуры современного глубокого обучения (DL).

• Финансовое прогнозирование: аналитики используют регрессию для прогнозирования цен на жильё, стоимости акций или выручки от продаж на основе исторических данных, таких как площадь, местоположение или предыдущие рыночные тенденции.
• Компьютерное зрение и обнаружение объектов: современные детекторы объектов, например семейство моделей YOLO26, используют регрессию в своих головах обнаружения. В частности, модель выполняет «регрессию ограничивающей рамки», чтобы предсказать точные непрерывные координаты объекта на изображении (центр x, центр y, ширина, высота).

Линейная регрессия и логистическая регрессия#

Важно отличать этот термин от логистической регрессии. Хотя обе модели являются линейными, их выходные данные существенно различаются. Линейная регрессия предсказывает непрерывное числовое значение (например, цену автомобиля). Напротив, логистическая регрессия используется для задач классификации и предсказывает вероятность того, что входные данные принадлежат определённой категории (например, является ли электронное письмо «спамом» или «не спамом»), пропуская линейный результат через функцию активации, например сигмоидальную функцию.

Пример: регрессия при обнаружении объектов#

В контексте компьютерного зрения, когда модель вроде Ultralytics YOLO26 обнаруживает объект, координаты ограничивающей рамки являются результатом задачи регрессии. Модель предсказывает непрерывные значения, чтобы точно определить местоположение объекта.

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()}")

Пользователи, которые хотят обучать пользовательские модели, использующие эти возможности регрессии для специализированных наборов данных, могут воспользоваться Ultralytics Platform для упрощённой разметки и облачного обучения. Понимание этих основных принципов регрессии закладывает прочную основу для освоения сложных задач в области искусственного интеллекта (AI) и компьютерного зрения.