Linear Regression

线性回归是一种基础的统计学方法，也是supervised learning中的一个基础算法，用于对因变量（目标）与一个或多个自变量（特征）之间的关系进行建模。与预测离散类别的分类算法不同，线性回归预测的是连续输出，这使其对于旨在预测具体数值的任务至关重要。它的简单性和可解释性为理解更复杂的machine learning (ML)概念提供了一个入口，因为它引入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“最佳拟合线”——或高维空间中的超平面——来最好地描述数据模式。为了实现这一点，算法会计算输入特征的加权和加上一个偏置项。在训练过程中，模型会迭代调整这些内部参数（称为weights and biases），以减少其预测值与实际真实值之间的差异。

这种差异通过loss function进行量化，最常见的选择是Mean Squared Error (MSE)。为了有效地最小化损失，会采用诸如gradient descent之类的optimization algorithm来更新权重。如果模型与training data中的噪声贴合得太紧密，就会面临overfitting的风险，而过于简单以至于无法捕捉潜在趋势的模型则会遭遇underfitting。

人工智能的实际应用#

尽管线性回归通常与data analytics中的简单predictive modeling相关，但其原理也深深植根于先进的deep learning (DL)架构中。

• 财务预测： 分析师利用回归根据面积、位置或过往市场趋势等历史数据点来预测房价、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模型系列）在其检测头中使用了回归。具体而言，模型执行“边界框回归”来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的对比#

务必将此术语与Logistic Regression区分开来。尽管两者都是线性模型，但它们的输出有显著不同。线性回归预测连续的数值（例如，汽车的价格）。相比之下，逻辑回归用于分类任务，通过将线性输出传递给像sigmoid函数这样的activation function，来预测输入属于特定类别的概率（例如，电子邮件是“垃圾邮件”还是“正常邮件”）。

示例：目标检测中的回归#

在计算机视觉的语境下，当像 Ultralytics YOLO26 这样的模型检测到一个物体时，边界框坐标就是回归任务的结果。模型会预测连续值来精确标定物体的位置。

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()}")

希望针对专业数据集训练利用这些回归功能的自定义模型的用户，可以利用Ultralytics Platform来进行简化的标注和云端训练。理解这些基本的回归原理，为掌握artificial intelligence (AI)和computer vision中的复杂任务打下了坚实的基础。