[場景]
小莉憂愁地看著窗外，她是一間位於辦公大樓區的奶茶店店長，一連 3 天都下著大雨，又遇到連續假日，根本沒有客人，她的營業額受到很大的影響。
她看著手裡的報表，明明先前的營收都不錯啊，每週都有成長的跡象，她還因此多準備一些貨，以防忙碌時遇到沒材料的窘境，結果......
她該怎麼辦？
小莉的算法很簡單：
她以週一到週五為一期，統計賣出的總杯數，扣去成本就是她的淨營收。
她連續記錄 3 個月，營業額呈現小幅上漲的趨勢，她很開心，所以才敢提前備貨。
一、什麼情況適用迴歸？
我們把小莉的情境整理一下：
- 每週一筆資料（週一到週五為 1 筆）：
- 特徵(記錄資料)：附近大樓有約多少人、購買頻率、高峰時間、氣溫…
- 標籤(答案)：這週的淨營收（或總杯數）
- 連續數值要用迴歸：
「營收」不屬於「賺」或「不賺」的類別，而是一個會增或減的數字(連續性的值)，所以它屬於迴歸要解決的問題。 - 迴歸的目的不是憑感覺，是讓決策有依據：
它無法保證 100%準確，但它能把「憑感覺備貨」變成「基於資料的估算」，讓小莉至少知道：
- 最差情境大概會掉到哪
- 哪些因素最傷（例如「連假 + 大雨」是雙重暴擊）
二、線性迴歸，是怎麼「套用」在小莉的情況上？
到目前為止，小莉其實已經做了很多店長沒做的事：
她有記錄、有整理，也看得出營收「大致在成長」。
但問題出在這裡——
她看到的是「過去的趨勢」，卻不知道「未來會落在哪裡」。
這正是線性迴歸（Linear Regression）最擅長處理的情境。
1️⃣ 線性迴歸在做的第一件事：先假設「關係是平穩的」
線性迴歸的想法其實非常直觀：
如果營收在一段時間內，是隨著某些條件「慢慢變多或變少」，
那我們可以先假設：
這個變化不是亂跳，而是有一個大致穩定的《 方向 》。
對小莉來說，這個「方向」可能是：
- 時間往後 → 平均營收慢慢上升
- 上班族多 → 營收通常比較好
- 天氣差 → 營收通常下修
線性迴歸做的事情，就是先用一條「最能代表整體趨勢的直線」，把這些資料的變化抓出來。
2️⃣ 為什麼叫「線性」？因為它通常從「最簡單」的關係開始
這裡「線性」的意思是指：資料與資料之間呈現「加/減」的關係，
例如：y = 2x，或者：y = -3x+120
依小莉記錄來看，「最簡單」的關係應該是在：人潮。
有人潮 = 有營收。
例如：
- 上班日，人潮多一點 → 營收平均高一點
- 下雨天，人潮少一點 → 營收平均低一點
這樣的觀察很直覺、也很直接，所以 線性迴歸，常被拿來當「第一個學的預測模型」。
3️⃣ 線性迴歸幫小莉回答的是哪一種問題？
要留意的是：線性迴歸不是在回答這種問題：
「下週一定會賣 3,248 杯嗎？」
它實際上回答的是：
- 在「類似條件」下
- 依照「過去的整體趨勢」
- 下週營收「大概會落在什麼位置」
換句話說，它提供的是一個合理的預期值，而不是保證值。
但對小莉來說，這已經非常關鍵，因為：
- 備貨，不需要抓到剛剛好
- 但不能差到讓成本失控
4️⃣ 為什麼小莉「過去的記錄明明是成長」，結果卻還是踩雷？
小莉原本的判斷，其實只用了時間這個因素：
「這 3 個月都有成長 → 下週應該也不錯吧？」
但線性迴歸在想的會是：
- 成長，是在「什麼條件下」發生的？
- 如果條件改變了（連假 + 大雨），那這條「成長的線」，還能不能直接拿來用？
👉 這也是為什麼：
光看趨勢，和用迴歸模型，是兩個層次的事情。
到這裡，我們已經知道一件事：
不是小莉算錯，
而是她用了一個「太單純的判斷方式」，
去面對一個「條件會變動的世界」。
這樣的情形，不只適用在奶茶店，
也適用在：
✔業績預估
✔人力配置
✔庫存管理
✔甚至企業做 AI 導入評估時的決策
那麼，問題就剩下：
- 那條「代表趨勢的線」到底是怎麼算出來的？
- 模型怎麼判斷「人潮」比「氣溫」重要？
- 為什麼有時候預測會準，有時候卻誤差很大？
- 如果希望預測再正確點，又該怎麼做？
👉 這些，才是線性迴歸真正的核心。
我會用 「考點語言＋命題邏輯」 來加力。
三、為什麼考試一再出現「線性迴歸」？
在各類 AI／資料分析相關考試中（包含 AI-900、AI 應用規劃師），
線性迴歸（Linear Regression）幾乎一定會出現，原因其實很單純：
因為它是「最基本、最容易用來判斷有沒有搞懂『預測』在做什麼」的模型。
考試不是要人人當資料科學家，
而是要確認我們可以分得出下面這些事：
1️⃣ 考試想要問的：這是不是「迴歸問題」？
回到小莉的情境，考試通常會這樣包裝題目：
【考試快速判斷】
只要題目出現以下關鍵字：
✔ 預測營收
✔ 預測銷售量
✔ 預測數值大小
✔ 依據過去資料推估
而且答案是一個「數字」而不是「類別」，
這類題目，第一時間就該往「迴歸模型」思考。
👉 像小莉的「淨營收」、「總杯數」，
都屬於連續數值（Continuous Value），
因此，這就是為什麼它會被歸類為「迴歸問題」。
2️⃣ 那為什麼是「線性」迴歸，而不是其他模型？
線性迴歸的核心假設是：
當某些因素增加或減少時，
預測結果會跟著「直線-方向性的變化」。
以小莉為例：
- 上班族人數 ↑ → 營收傾向 ↑
- 下雨天數 ↑ → 營收傾向 ↓
這種「一增一減、方向明確」的關係，
正是線性迴歸最典型的應用情境。
3️⃣ 線性迴歸「負責解決什麼問題」？
線性迴歸在考試中，預測的是「預期值（Expected Value）」，
而不是實際一定發生的結果。
這也是為什麼，考試題目常出現這類敘述：
- 「最可能的營收為何」
- 「合理的預測值為何」
- 「依據過去資料推估」
👉 看到這種關鍵字，線性迴歸通常就是正解方向。
🧠本篇關鍵字整理：
- 輸入資料 → 人潮、假日 → 特徵 (Feature)
- 預測目標 → 銷售額 → 標籤 (Label)
- 模型類型 → 找出營業額預測線 → 線性迴歸 (Linear Regression)
- 學習模式 → 用過去記錄(答案)教電腦 → 監督式學習 (Supervised Learning)
最後，剩下幾個實務操作的問題：
- 那條「直線」是怎麼算出來的？不能是「曲線」嗎？
- 為什麼會有誤差？誤差怎麼修正？
- 當考慮的不只「人潮」時，線性迴歸夠用嗎？
- 怎麼評估它是否可信？
👉 下一篇：實務技術篇繼續拆解。
課程說明
終於講到考試了。
每篇文章舖設的故事或場景，是希望讀者能以理解的方式代入並消化內容，畢竟，用「背的」真的太痛苦了。
🔖 以下內容為本系列的學習安排與閱讀指引。
- 為方便大家學習，我將全部章節進行劃分，詳見導覽文。
- 同時，每當完成某一主題介紹時，我也會在圖上「插旗」，讓學習者明白自己的進度。
- 部分文章會納入收費區，內容將以考試情境為主軸進行整理，不僅補齊必要的模型原理與判斷邏輯， 也會搭配模擬考題，協助大家從「看懂」轉化為「選得對」。
- 建議閱讀前以建立觀念為主，不要死背，因為實務應用與考試題目都很靈活，唯有理解才能判斷應變。
