完整定義
線性迴歸法是一種監督式學習演算法,用於建立一個模型,該模型描述自變數(或預測變數)和應變數(或目標變數)之間的線性關係。其目標是找到一條最佳擬合線(或超平面),該線可以最小化預測值和實際值之間的差異。線性迴歸廣泛應用於預測、趨勢分析和關係建模。
白話說明
你有沒有想過,房價、溫度、銷量這種數字,能不能先用一條線抓出趨勢?
你可以把線性迴歸想成,先畫出一條最貼近資料的直線。
它其實就是用自變數去預測連續數值的模型。
當關係大致像直線時,它常是又快又好懂的起點。
記住這句
連續數字找直線,分類問題找別的模型。
比喻:線性迴歸法就像在散亂的點中畫一條「最佳趨勢線」-- 你有很多不同數據點(例如身高和體重),它會找出最能代表這些點關係的那條直線,讓你預測如果身高是某個值,體重大概會是多少。
容易混淆
線性迴歸 vs 邏輯迴歸
線性迴歸預測連續數值,邏輯迴歸預測分類機率。
一個回答多少,一個回答屬不屬於。
線性迴歸 vs 相關係數
線性迴歸是在做預測,相關係數是在看兩個變數的關聯強弱。
一個有模型,一個偏描述。
最關鍵的區別: 一個拿來預測,一個拿來判斷類別。
實際案例
房價預測
把坪數、屋齡、地段當特徵,模型就能估出一個接近市場價格的連續數值。
需求預估
根據溫度、節日、促銷檔期估明天賣多少,線性迴歸常是很直觀的基線。
演算法與應用
核心形式通常是 y = wx + b,目標是找到一條誤差最小的線。
常見損失是均方誤差,訓練時會搭配梯度下降或最小平方法。
如果資料關係很彎曲,就可能要考慮多項式迴歸或其他模型。
情境判斷
Q1(直覺題): 你要預測房價,輸出應該是連續數字還是類別?
連續數字,這正是線性迴歸最常處理的輸出型態。
Q2(判斷題): 只要特徵很多,就一定適合線性迴歸嗎?
不一定,還要看關係是不是近似線性,特徵共線性也會影響結果。
常見問題
常見假設包括線性關係、誤差獨立、變異數固定,實務上還要注意異常值和共線性。
常看 MSE、RMSE、MAE 和 R 平方,重點是模型在驗證集上的表現。
不一定,但特徵尺度差很多時,標準化通常能讓訓練更穩。
出現在這些考古題
官方公告試題的逐題解析裡,有 11 題把線性迴歸法列為延伸術語,這裡列出 5 題。
相關術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本