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。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
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。
記住這句就好
連續數字找直線，分類問題找別的模型。
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。
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
線性迴歸有什麼基本假設？
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。
線性迴歸怎麼評估好不好？
常看 MSE、RMSE、MAE 和 R 平方，重點是模型在驗證集上的表現。
線性迴歸一定要先標準化嗎？
不一定，但特徵尺度差很多時，標準化通常能讓訓練更穩。