概念卡：线性回归 Linear Regression
概念卡：线性回归 Linear Regression
一句话定义
线性回归用一个或多个变量的线性组合解释或预测一个连续结果变量。
它解决什么问题
它用于描述变量之间的关系，并建立最基础的解释或预测模型。
典型使用场景
- 研究某个因素与结果变量的关系。
- 建立基准预测模型。
- 检查变量影响方向和大小。
需要知道的关键词
- Coefficient
- Residual
- R-squared
- Multicollinearity
- Model Diagnostics
和导师方向的关系
线性回归是应用统计和机器学习的基础，也是很多复杂模型的基准。
交流时可以怎么说
我会先用线性回归作为基准模型，再看残差和误差结构是否提示需要更复杂的方法。
回归结果不能只看系数，还要看假设、诊断和解释边界。
可以追问的问题
- 这个任务更偏解释还是预测？
- 残差是否有系统性结构？
- 是否存在多重共线性或遗漏变量问题？
给 AI 的提示词
请解释线性回归在应用统计中的作用。要求说明系数、残差、R 方、模型诊断和常见误解，并给 Python 示例。
我的理解边界
- 已理解：线性回归是基准模型，不等于因果结论。
- 还不确定：如何系统做模型诊断。
- 下次需要补：残差图和多重共线性。