Linear Regression

Linear Regression là một phương pháp thống kê cơ bản và là một thuật toán nền tảng trong học có giám sát được sử dụng để mô hình hóa mối quan hệ giữa một biến phụ thuộc (mục tiêu) và một hoặc nhiều biến độc lập (đặc trưng). Khác với các thuật toán phân loại dự đoán các danh mục rời rạc, linear regression dự đoán một đầu ra liên tục, điều này làm cho nó trở nên thiết yếu cho các tác vụ có mục tiêu là dự báo các giá trị số cụ thể. Tính đơn giản và khả năng diễn giải của nó đóng vai trò là cửa ngõ để hiểu các khái niệm machine learning (ML) phức tạp hơn, vì nó giới thiệu các cơ chế cốt lõi về cách các model học hỏi từ dữ liệu bằng cách giảm thiểu sai số.

Cơ chế cốt lõi và huấn luyện#

Mục tiêu chính của kỹ thuật này là tìm "đường khớp nhất" (line of best fit) — hoặc một siêu phẳng trong không gian chiều cao hơn — mô tả tốt nhất mô hình dữ liệu. Để đạt được điều này, thuật toán tính toán tổng trọng số của các đặc trưng đầu vào cộng với một số hạng sai số (bias). Trong quá trình huấn luyện, model liên tục điều chỉnh các tham số nội bộ này, được gọi là weights and biases, để giảm sự khác biệt giữa các dự đoán của nó và ground truth thực tế.

Sự khác biệt này được định lượng bằng cách sử dụng một hàm mất mát, với lựa chọn phổ biến nhất là Mean Squared Error (MSE). Để giảm thiểu mất mát một cách hiệu quả, một thuật toán tối ưu hóa như gradient descent được áp dụng để cập nhật trọng số. Nếu model khớp quá sát với nhiễu trong dữ liệu huấn luyện, nó sẽ gặp rủi ro overfitting, trong khi một model quá đơn giản để nắm bắt xu hướng cơ bản sẽ gặp phải tình trạng underfitting.

Các ứng dụng thực tế trong AI#

Mặc dù thường liên quan đến mô hình dự đoán đơn giản trong phân tích dữ liệu, các nguyên lý của linear regression được tích hợp sâu trong các kiến trúc deep learning (DL) nâng cao.

• Dự báo tài chính: Các nhà phân tích sử dụng hồi quy để dự đoán giá nhà ở, giá trị cổ phiếu hoặc doanh thu bán hàng dựa trên các điểm dữ liệu lịch sử như diện tích, vị trí hoặc các xu hướng thị trường trước đó.
• Computer Vision và Object Detection: Các bộ phát hiện đối tượng hiện đại, chẳng hạn như dòng model YOLO26, tận dụng regression trong các đầu phát hiện (detection head) của chúng. Cụ thể, model thực hiện "bounding box regression" để dự đoán các tọa độ liên tục chính xác (tâm x, tâm y, chiều rộng, chiều cao) của một đối tượng bên trong một hình ảnh.

Hồi quy tuyến tính so với Hồi quy Logistic#

Điều quan trọng là phải phân biệt thuật ngữ này với Logistic Regression. Mặc dù cả hai đều là các linear model, đầu ra của chúng khác nhau đáng kể. Linear regression dự đoán một giá trị số liên tục (ví dụ: giá của một chiếc ô tô). Ngược lại, logistic regression được sử dụng cho các tác vụ phân loại, dự đoán xác suất rằng một đầu vào thuộc về một danh mục cụ thể (ví dụ: liệu một email là "spam" hay "không phải spam") bằng cách truyền đầu ra tuyến tính qua một hàm kích hoạt giống như hàm sigmoid.

Ví dụ: Hồi quy trong Phát hiện đối tượng#

Trong bối cảnh thị giác máy tính, khi một model như Ultralytics YOLO26 phát hiện một đối tượng, tọa độ hộp giới hạn chính là kết quả của một tác vụ hồi quy. Model dự đoán các giá trị liên tục để định vị đối tượng một cách chính xác.

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()}")

Những người dùng muốn huấn luyện các model tùy chỉnh tận dụng các khả năng regression này cho các tập dữ liệu chuyên biệt có thể sử dụng Ultralytics Platform để chú thích hợp lý hóa và huấn luyện trên đám mây. Việc hiểu các nguyên lý regression cơ bản này cung cấp một nền tảng vững chắc để làm chủ các tác vụ phức tạp trong trí tuệ nhân tạo (AI) và computer vision.