一、基本原理

生活中，大家都排过队，我印象最深的应该是排队做核酸的队伍，前后间隔一米，随着做核酸的人越来越多，新来的人看到队伍，都会自动排到队伍的末尾，同样间隔一米，大家“齐心协力”排出了一条长线。

有了这条长线之后，我们就可以对新来的人排队的位置做出预测，这就是线性回归的基本逻辑。

所以线性回归算法的思路就是：根据已有的数据去寻找一条“直线”，让它尽可能的接近这些数据，再根据这条直线去预测新数据的结果。

那么具体要怎么找这条“直线”呢？初中数学里描述一条直线时，用的是一元一次方程：y=ax+b，这里的a表示直线的斜率，b表示截距，如下图所示：

以排队为例，我们已知x是人的顺序，y是排的位置，将已有的x和y数据代入到公式中，可以得到一组合适a和b的值来描述这条直线，也就是我们找到了这条直线的分布。

排队的例子比较简单，只有一个x变量，在实际的应用中，会有很多个影响结果的变量，比如预测贷款额度时，会有工资、是否有房等变量，用线性回归的思路解决类似的问题，就要构建多元回归方程了，公式也就变成了 y = a1x1 + a2x2 + … + b。

当有两个变量时，线性回归的分布也就不是一条简单的直线了，而是一个平面，如下图所示：

如果有更多的变量，分布就是一个超平面，找到它的分布也会变得更复杂。

二、如何计算最优解

如果每个人的站位（实际值）距离理想站位（预测值）的距离（误差）最小，那就说明我们得到的线性回归分布是最优解。

机器学习中，评价模型的预测值和实际值差异的公式叫做损失函数，损失函数值越小，模型性能越好。

平方残差和就是一种场景的损失函数，其计算公式为 loss=SUM（真实值-预测值）²，就是把每个节点的预测差求平方再求和，前面回归模型评估的文章里提到的MSE就是平方残差和除以样本数量。

三、应用场景

线性回归的应用场景非常广泛，只要数据是符合线性分布的，理论上都可以用线性回归来进行预测：

预测房价：通过分析房屋特征（如面积、位置、房间数量等）与价格之间的关系。
预测员工绩效：通过分析员工的教育背景、工作经验、培训等因素与绩效之间的关系。
营销分析：分析市场调研数据，预测产品销售量，并确定哪些因素对销售量有显著影响。
交通规划：预测交通流量，通过分析道路特征、人口密度等因素与交通流量之间的关系。
环境科学：分析环境数据，如气候变化、污染物排放等因素与生态系统的影响。

四、优缺点

线性回归算法的优点：

简单而直观：易于理解和解释，适用于初学者入门。
计算效率高：计算速度较快，适用于大规模数据集。
可解释性强：可以提供每个特征对目标变量的影响程度，有助于理解变量之间的关系。
可扩展性强：可以通过添加交互项、多项式特征等进行扩展，以适应更复杂的数据模式。

线性回归算法的缺点：

仅适用于线性关系：线性回归假设自变量与因变量之间存在线性关系，对于非线性关系的数据拟合效果较差。
对异常值敏感：线性回归对异常值较为敏感，异常值的存在可能会对模型的拟合产生较大影响。
忽略了特征之间的复杂关系：线性回归无法捕捉到特征之间的非线性、交互作用等复杂关系。
对多重共线性敏感：当自变量之间存在高度相关性时，线性回归模型的稳定性和可靠性可能会受到影响。

五、总结

本文我们介绍了线性回归算法的原理、应用场景和优缺点，线性回归是一个回归算法，常用来做预测值，和之前介绍的分类模型的输出是有区别的，需要注意一下。

下篇文章，我们来聊一聊逻辑回归算法，敬请期待。

本文由 @AI小当家原创发布于人人都是产品经理，未经许可，禁止转载

题图来自 Unsplash，基于 CC0 协议

该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。

","gnid":"986e0d62b5c4aaf5e","img_data":[{"flag":2,"img":[{"desc":"","height":"420","title":"","url":"https://p0.ssl.img.360kuai.com/t01b35250c3375c56e0.jpg","width":"900"},{"desc":"","height":"710","title":"","url":"https://p0.ssl.img.360kuai.com/t01e230685f98f732cc.jpg","width":"1323"},{"desc":"","height":"783","title":"","url":"https://p0.ssl.img.360kuai.com/t01dda68d216e4588bb.jpg","width":"720"}]}],"original":0,"pat":"art_src_3,sexf,sex4,sexc,fts0,sts0","powerby":"cache","pub_time":1705890180000,"pure":"","rawurl":"http://zm.news.so.com/f1804ee21bcc84664ec444b1a1980982","redirect":0,"rptid":"6c6c54f1e1479e00","rss_ext":[],"s":"t","src":"人人都是产品经理","tag":[],"title":"线性回归算法：用“线性外推”的思路做预测

平袁苑2483直线回归方程公式是怎么来的?? -
衡固柏13880368894 ______ 有点复杂,不过看图就好了. 拓展资料:解题思路: 1)根据题意确定y和x,设y=bx+a. 2) 根据题目所给数据,按照公式要求确定a ,b的值. 3)写出线性回归方程y=a+bx.

平袁苑2483已知回归直线的斜率的估计值为1.23,样本点的中心为(4,5),则回归直线...
衡固柏13880368894 ______[选项] A. 4.5 B. 3.5 C. 2.5 D. 1.5

平袁苑2483回归直线求法及过程? -
衡固柏13880368894 ______ 经典最小二乘法是求直线回归方程的常用方法,但当数据中存在异常值时,这种方法较敏感,本文给出了二类求稳健回归直线的方法,并将它们统一在迭代再加权最小二乘统一算法之下,模拟结果及实例分析表明这些方法在抗异常值方面较最小二乘法为优.

平袁苑2483回归方程中a,b怎么求 -
衡固柏13880368894 ______ 回归直线的求法最小二乘法: 总离差不能用n个离差之和来表示,通常是用离差的平方和,即作为总离差,并使之达到最小,这样回归直线就是所有直线中Q取最小值的那一条,这种使“离差平方和最小”的方法,叫做最小二乘法: 由于绝对值使得计算不变,在实际应用中人们更喜欢用:Q=(y1-bx1-a)²+(y2-bx-a²)+...+(yn-bxn-a)² 这样,问题就归结于:当a,b取什么值时Q最小,即到点直线y=bx+a的“整体距离”最小. 用最小二乘法求回归直线方程中的a,b有下面的公式:

平袁苑2483回归直线方程斜率公式怎么用? -
衡固柏13880368894 ______[答案] 回归方程是根据样本资料通过回归分析所得到的反映一个变量(依变量)对另一个或一组变量(自变量)的回归关系的数学表达式.回归直线方程用得比较多,可以用最小二乘法求回归直线方程中的a,b,从而得到回归直线方程.

平袁苑2483谁能解释下回归直线方程怎么用 -
衡固柏13880368894 ______[答案] 回归直线方程上的点都是比较离散的不是严格的每个点在直线上我们要做的是知道这若干个离散的有一定规律的点用直线表示大致的点的位置回归直线方程,相应的直线叫做回归直线 ,b叫做回归系数.要确定回归直线方程 ①,只要确定a与回归...

平袁苑2483 回归直线方程 = ,其中样本中心点为(1,2 )则回归直线方程为( ) A. B. C. D. -
衡固柏13880368894 ______[答案] B

（编辑：自媒体）