Linear Regression

线性回归是一种基础统计方法，也是监督学习中的核心算法，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，线性回归预测的是连续输出，因此对于旨在预测特定数值的任务至关重要。它的简单性和可解释性是理解更复杂机器学习 (ML)概念的切入点，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。

Link to this section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——来最佳地描述数据模式。为实现这一目标，算法计算输入特征的加权和并加上偏差项。在训练过程中，模型会迭代调整这些称为权重和偏差的内部参数，以减少其预测与实际真值之间的差异。

这种差异通过损失函数进行量化，最常用的选择是均方误差 (MSE)。为了有效最小化损失，会使用优化算法，例如梯度下降来更新权重。如果模型过于贴合训练数据中的噪声，则面临过拟合的风险，而如果模型过于简单以至于无法捕捉底层趋势，则会遭受欠拟合的影响。

Link to this section人工智能的实际应用#

While often associated with simple predictive modeling in data analytics, linear regression principles are deeply embedded in advanced deep learning (DL) architectures.

• 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 系列模型，在其检测头中利用了回归。具体来说，模型执行“边界框回归”来预测图像中目标的精确连续坐标（中心点 x、中心点 y、宽度、高度）。

Link to this section线性回归与逻辑回归的对比#

区分该术语与逻辑回归非常重要。虽然两者都是线性模型，但它们的输出有显著差异。线性回归预测的是连续数值（例如汽车的价格）。相比之下，逻辑回归用于分类任务，通过将线性输出传递给 sigmoid 函数等激活函数，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“非垃圾邮件”）。

Link to this section示例：目标检测中的回归#

在计算机视觉领域中，当像 YOLO26 这样的模型检测目标时，边界框坐标就是回归任务的结果。模型通过预测连续值来精确定位目标。

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()}")

想要训练利用这些回归功能处理专业数据集的自定义模型，你可以使用 Ultralytics Platform 进行简化的标注和云端训练。理解这些基础回归原理，为掌握人工智能 (AI) 和计算机视觉中的复杂任务提供了坚实的基础。