线性回归

线性回归是一种基本的统计方法，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，这使其在目标是预测特定数值的任务中至关重要。它的简单性和可解释性是理解更复杂 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“最佳拟合线”——或在高维空间中的超平面。为此，算法计算输入特征的加权和加上一个偏置项。在训练过程中，模型迭代调整这些内部参数，即 weights and biases，以减少其预测与实际真值之间的差异。

这种差异使用 损失函数 进行量化，最常见的选择是 均方误差 (MSE)。为了有效最小化损失，会采用 优化算法，例如 梯度下降，来更新权重。如果模型与 训练数据 中的噪声过于吻合，则存在 过拟合 的风险，而过于简单而无法捕捉潜在趋势的模型则会遭遇 欠拟合。

人工智能在现实世界中的应用

虽然线性回归原理通常与 数据分析 中的简单 预测建模 相关联，但它已深入嵌入到高级 深度学习 (DL) 架构中。

• 财务预测：分析师使用回归分析，根据历史数据点（如面积、位置或以往市场趋势）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系列模型，在其检测头中利用回归。具体来说，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 vs. 逻辑回归

将此术语与 逻辑回归 区分开来非常重要。尽管两者都是线性模型，但它们的输出差异显著。线性回归预测 连续数值（例如，汽车的价格）。相比之下，逻辑回归用于 分类任务，通过将线性输出通过 激活函数（如 Sigmoid 函数）来预测输入属于特定类别的概率（例如，电子邮件是否为“垃圾邮件”或“非垃圾邮件”）。

示例：目标 detect 中的回归

在计算机视觉领域，当像 YOLO26 这样的模型 detect 一个物体时，边界框坐标是回归任务的结果。模型预测连续值以精确地定位物体。

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()}")

寻求利用这些回归能力训练专业数据集的自定义模型的用户，可以利用 Ultralytics Platform 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 人工智能 (AI) 和 计算机视觉 中的复杂任务奠定了坚实的基础。