線性模型是指輸出與輸入特徵之間是線性關係的機器學習模型，常用於迴歸與分類問題。常見的線性模型包括：
常見線性模型類型
1. 線性迴歸（Linear Regression）• 用於預測連續型目標值。
• 假設輸出是輸入變數的加權和加上偏差。
• 包括簡單線性迴歸與多元線性迴歸。
2. 岭回歸（Ridge Regression）
• 線性迴歸的改進，引入L2正則化，防止共線性及過擬合。
• 透過懲罰權重的平方值，使模型參數較為穩定。
3. 套索回歸（Lasso Regression）
• 利用L1正則化促使部分權重變為零，有助特徵選擇。
• 既可降維又能提升模型泛化能力。
4. 邏輯迴歸（Logistic Regression）
• 用於二分類或多分類問題，輸出為概率值。
• 將線性組合映射到概率空間（0到1）上，使用Sigmoid函數。
• 雖名為迴歸，實際是分類模型。
5. 線性判別分析（LDA）
• 監督式分類方法，尋找最佳線性投影以分離不同類別。
• 同時用於降維與分類。
6. 多項式迴歸（Polynomial Regression）
• 將特徵組合成多項式形式，捕捉非線性關係。
簡單比喻：
線性模型就像用一條直線或平面來近似複雜關係，簡單易解且解釋性強。
總結：
常見的線性模型包括線性迴歸、岭回歸、套索回歸、邏輯迴歸、線性判別分析與多項式迴歸，廣泛應用於迴歸與分類任務。
