線性迴歸（Linear regression）是一種基礎的統計和機器學習方法，用來分析和理解一個或多個自變數與一個因變數之間的關係。本文將解釋什麼是線性迴歸、它是如何運作的、它依賴哪些假設，以及在什麼情況下適合或不適合使用。
什麼是線性迴歸？
簡單來說，線性迴歸就是擬合一條直線（或多維平面），用來描述輸入變數（自變數）變化時，對輸出變數（因變數）的影響。如果只有一個自變量，就是簡單線性迴歸；如果有多個自變量，就是多元線性迴歸。
線性迴歸的主要假設有哪些？
為了讓線性迴歸的統計推論和預測結果有效，它依賴以下假設：
線性關係：自變數和因變數之間的關係是線性的。
誤差獨立：殘差（預測誤差）之間相互獨立。
變異數相等：殘差在不同自變數取值範圍內具有相同的變異數。
殘差常態分佈：殘差大致符合常態分佈。
（有時）無多重共線性：自變數之間不能高度相關。
如何建立線性迴歸並理解結果？
建立模型的過程包括估計係數（斜率和截距），通常使用最小平方法（使殘差平方和最小）。
解釋時，斜率表示自變數每變化一個單位，因變數平均變化多少；截距表示當自變數為零時，因變數的預測值。模型的適配程度可以用R²來衡量。之後可以透過分析殘差來檢查假設是否被破壞。
什麼時候線性迴歸有用，什麼時候不適合？
適合使用的情況：當變數之間大致呈線性關係、自變數是連續的或經過適當編碼、以及你想了解變數之間的影響關係。
不適合的情況：當關係明顯是非線性的（除非你對變數做轉換或使用更複雜的模型）、當殘差嚴重違反假設、當有極端值（離群點）影響模型、或當自變數之間高度相關導致係數不穩定。此外，超出資料範圍的預測也不可靠。
結論
線性迴歸理論簡單，但在實際應用上非常有用。它能幫助你量化變數之間的關係並進行預測，但效果取決於是否滿足假設以及你對模型的理解。正確使用時，它是最強大、最常用的資料分析工具之一。使用線性迴歸前，記得檢查假設、視覺化數據，並謹慎解讀結果。
