線形回帰は、教師あり機械学習タスクで採用されているアルゴリズムのファミリーです（教師あり学習の詳細については、私の以前の記事を読むことができますこちら）。 この監MLのタスクを正常に分かれて分類と回帰しcollocate線形回帰アルゴリズムます。, 分類では、ターゲットはカテゴリカル値（’yes/no’、’red/blue/green’、’spam/not spam’…）ですが、一方、回帰は数値で連続した値をターゲットとして含むため、アルゴリズムはクラスやカテゴリではなく連続した数を予測するように求められます。 つまり、いくつかの相対的な特徴に基づいて家の価格を予測したいと想像してください：モデルの出力は価格になり、したがって連続数になります。,
回帰タスクは、ターゲットを予測するために一つの特徴のみを使用するものと、その目的のために複数の特徴を使用するものに分けることができ 例を挙げると、上記の家のタスクを考えてみましょう：あなたはその平方メートルに基づいてその価格を予測したい場合は、最初の状況（一つの特徴）に分類されます。,
最初のシナリオでは、採用する可能性のあるアルゴリズムは単純な線形回帰になります。 一方、ターゲット変数を説明できる複数の機能に直面しているときはいつでも、重線形回帰を使用する可能性があります。,P>
