线性回归：最朴素的预测模型

房屋面积越大价格越高，学习时间越长分数越好——这类“一个量随另一个量变化”的问题，最适合用线性回归来解决。本文讲清它如何找到一条最贴合数据的直线，以及为什么它至今仍是预测任务的起点。

一条直线能做什么

设想你手上有几十条房屋成交记录，横轴画面积、纵轴画价格，点会大致沿着一条斜线散布。线性回归要做的，就是确定这条斜线的位置：预测值等于输入乘以权重，再加上一个偏置。权重表示面积每增加一平方米价格大概涨多少，偏置则代表基线。这套“加权求和”的写法，后来成了几乎所有模型的基本单元。

它的好处是可解释性极强。算出来的每个权重都能直接翻译成人话：哪个因素影响大、是正向还是负向。在需要向业务方或监管解释“为什么给出这个预测”的场景里，这种透明度非常宝贵。相比之下，动辄上亿参数的深度网络很难给出同样清晰的交代。

怎么才算最贴合

直线可以画无数条，判断标准是误差。常见做法是把每条数据的预测值与真实值相减、平方后再全部加起来，让这个总和尽量小，这就是最小二乘的思路。平方的好处是正负误差不会互相抵消，而且对离群的大误差惩罚更重。如果用绝对值求和，得到的会是另一条性质略有不同的线。

有意思的是，这个最简单的问题有闭式解：不需要反复试错迭代，直接用公式就能算出最优的权重和偏置。这也让线性回归成为少数“能一步算到底”的模型。不过当特征数量极大时，直接求解的计算开销会很高，实践中仍常改用梯度下降一类的方法逐步逼近。

它为什么还没过时

很多人以为有了深度学习就不再需要它，事实正好相反。线性回归常被当作基线：任何复杂模型上线前，都应该先和这条直线比一比。如果一个精心调参的模型连线性回归都赢不了，说明问题本身可能没有那么复杂，或者数据里根本没有可用的信号。

它也有明确的边界。现实世界的关系很少是笔直的，特征之间还会互相牵扯。这时可以在输入上加平方项、交叉项，或者先做变换再拟合——这类“把数据掰弯再拉直”的技巧，本质上仍是在同一个框架里打转，只是换了一组坐标。

本文为 AI 科普内容，仅用于知识普及，不构成任何技术选型、投资或职业决策建议。