Linear Regression

线性回归是一种基础统计方法，也是监督学习中的基础算法，用于建模因变量（目标）与一个或多个自变量（特征）之间的关系。与预测离散类别的分类算法不同，线性回归预测连续输出，因此对于需要预测特定数值的任务至关重要。它简单易解释，可作为理解更复杂机器学习（ML）概念的入门，因为它介绍了模型如何通过最小化误差从数据中学习的核心机制。

核心机制与训练#

该技术的主要目标是找到最能描述数据模式的“最佳拟合直线”——在更高维度中则是超平面。为此，算法会计算输入特征的加权和，再加上偏置项。在训练过程中，模型会迭代调整这些称为权重和偏置的内部参数，以减少其预测结果与实际真实标注之间的差异。

这种差异通过损失函数进行量化，最常见的选择是均方误差（MSE）。为了有效地最小化损失，通常会采用优化算法，例如梯度下降，来更新权重。如果模型过度贴合训练数据中的噪声，就可能发生过拟合；而如果模型过于简单，无法捕捉潜在趋势，则会出现欠拟合。

AI 中的实际应用#

虽然线性回归通常与数据分析中的简单预测建模相关，但其原理也深度融入了先进的深度学习（DL）架构。

• 金融预测： 分析师利用回归，根据平方英尺数、位置或以往市场趋势等历史数据点，预测房价、股票价值或销售收入。
• 计算机视觉与目标检测： 现代目标检测器（例如YOLO26系列模型）在其检测头中使用回归。具体而言，模型执行“边界框回归”，以预测图像中目标的精确连续坐标（中心 x、中心 y、宽度、高度）。

线性回归与逻辑回归#

务必将这一术语与逻辑回归区分开来。尽管二者都是线性模型，但输出存在显著差异。线性回归预测连续数值（例如汽车价格）。相比之下，逻辑回归用于分类任务，通过将线性输出传递给类似 sigmoid 函数的激活函数，来预测输入属于特定类别的概率（例如一封电子邮件是否为“垃圾邮件”或“非垃圾邮件”）。

示例：目标检测中的回归#

在计算机视觉领域，当 Ultralytics YOLO26 之类的模型检测到目标时，边界框坐标就是回归任务的结果。模型预测连续值，以精确定位目标。

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()}")

希望训练自定义模型，并利用这些回归能力处理专用数据集的用户，可以使用Ultralytics Platform进行高效标注和云端训练。理解这些基本的回归原理，可以为掌握人工智能（AI）和计算机视觉中的复杂任务打下坚实基础。