Linear Regression

Hồi quy tuyến tính là một phương pháp thống kê nền tảng và một thuật toán cốt lõi trong học có giám sát, được sử dụng để mô hình hóa mối quan hệ giữa một biến phụ thuộc (target) và một hoặc nhiều biến độc lập (feature). Khác với các thuật toán phân loại dự đoán các danh mục rời rạc, hồi quy tuyến tính dự đoán một đầu ra liên tục, khiến nó trở nên thiết yếu đối với các tác vụ có mục tiêu dự báo các giá trị số cụ thể. Tính đơn giản và khả năng diễn giải của nó là bước khởi đầu để hiểu các khái niệm học máy (ML) phức tạp hơn, vì nó giới thiệu các cơ chế cốt lõi về cách model học từ dữ liệu bằng cách tối thiểu hóa sai số.

Cơ chế cốt lõi và quá trình training#

Mục tiêu chính của kỹ thuật này là tìm ra "đường thẳng phù hợp nhất"—hoặc một hyperplane trong không gian có số chiều cao hơn—mô tả chính xác nhất pattern của dữ liệu. Để đạt được điều này, thuật toán tính tổng có trọng số của các feature đầu vào cộng với một hạng bias. Trong quá trình training, model liên tục điều chỉnh các tham số nội bộ này, được gọi là trọng số và bias, để giảm chênh lệch giữa các dự đoán của model và ground truth thực tế.

Chênh lệch này được định lượng bằng hàm loss, trong đó lựa chọn phổ biến nhất là Sai số bình phương trung bình (MSE). Để tối thiểu hóa loss hiệu quả, một thuật toán tối ưu hóa như gradient descent được sử dụng để cập nhật các trọng số. Nếu model bám quá sát nhiễu trong dữ liệu training, nó có nguy cơ overfitting, trong khi một model quá đơn giản để nắm bắt xu hướng tiềm ẩn sẽ gặp phải underfitting.

Các Ứng dụng Thực tế trong AI#

Mặc dù thường gắn liền với mô hình hóa dự đoán đơn giản trong phân tích dữ liệu, các nguyên lý của hồi quy tuyến tính được tích hợp sâu vào các kiến trúc học sâu (DL) nâng cao.

• Dự báo tài chính: Các nhà phân tích sử dụng hồi quy để dự đoán giá nhà, giá trị cổ phiếu hoặc doanh thu bán hàng dựa trên các điểm dữ liệu lịch sử như diện tích sàn, vị trí hoặc xu hướng thị trường trước đó.
• Thị giác máy tính và phát hiện đối tượng: Các object detector hiện đại, chẳng hạn như họ model YOLO26, sử dụng hồi quy trong các detection head. 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 trong ảnh.

Hồi quy tuyến tính và Hồi quy logistic#

Điều quan trọng là phải phân biệt thuật ngữ này với Hồi quy logistic. Mặc dù cả hai đều là model tuyến tính, đầu ra của chúng khác nhau đáng kể. Hồi quy tuyến tính dự đoán một giá trị số liên tục (ví dụ: giá của một chiếc xe). Ngược lại, hồi quy logistic được sử dụng cho các tác vụ phân loại, dự đoán xác suất một đầu vào thuộc về một danh mục cụ thể (ví dụ: một email có phải là "spam" hay "không phải spam") bằng cách truyền đầu ra tuyến tính qua một hàm kích hoạt 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, các tọa độ bounding box là kết quả của một tác vụ hồi quy. Model dự đoán các giá trị liên tục để định vị chính xác đối tượng.

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()}")

Người dùng muốn training các model tùy chỉnh khai thác những khả năng hồi quy này cho các dataset chuyên biệt có thể sử dụng Ultralytics Platform để đơn giản hóa quy trình gán nhãn và training trên cloud. Việc hiểu các nguyên lý hồi quy cơ bản này tạo nền tảng vững chắc để thành thạo các tác vụ phức tạp trong trí tuệ nhân tạo (AI) và thị giác máy tính.