Simple_Linear_Regression.md

簡單線性回歸是一種統計方法，用來建構一條最佳擬合線，以解釋一個自變數（$x$）與一個應變數（$y$）之間的線性關係。

---

1. 模型形式

簡單線性回歸模型可表示為：

$$y = \beta_0 + \beta_1 x + \epsilon$$

其中：

• $y$：應變數（dependent variable）

• $x$：自變數（independent variable）

• $\beta_0$：截距（intercept）

• $\beta_1$：斜率（slope）

• $\epsilon$：誤差項（error term），假設為平均為 0 的常態分布

---

2. 最小平方法（Least Squares Method）

目標是最小化所有觀測值的殘差平方和（RSS）：

$$RSS = \sum_{i=1}^{n} (y_i - \hat{y}_i)^2 = \sum_{i=1}^{n} (y_i - (\hat{\beta}_0 + \hat{\beta}_1 x_i))^2$$

最佳估計量如下：

$$\hat{\beta}_1 = \frac{\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})}{\sum_{i=1}^{n}(x_i - \bar{x})^2}$$

$$\hat{\beta}_0 = \bar{y} - \hat{\beta}_1 \bar{x}$$

---

3. 解釋與應用

• 斜率 $\hat{\beta}_1$：表示當 $x$ 增加一單位時，$y$ 平均變化多少。

• 截距 $\hat{\beta}_0$：當 $x = 0$ 時 $y$ 的預測值。

---

4. 誤差項的意義與假設

誤差項 $\epsilon$ 代表模型無法解釋的變異，為真實觀測值與模型預測值之間的差。

常見假設如下：

• $\mathbb{E}[\epsilon] = 0$：誤差的期望值為 0。

• $\epsilon \sim N(0, \sigma^2)$：常態分布且變異數恆定。

• 誤差之間相互獨立，且與 $x$ 無關。

這些假設是線性回歸進行參數估計與統計推論的基礎。

---

5. 模型評估

• $R^2$（決定係數）：衡量模型對 $y$ 變異的解釋能力。

$$R^2 = 1 - \frac{\sum (y_i - \hat{y}_i)^2}{\sum (y_i - \bar{y})^2}$$

• 殘差圖（Residual Plot）：可檢查線性假設與常態性。

• 假設檢定：檢驗斜率是否顯著，例如：

$$H_0: \beta_1 = 0 \quad vs. \quad H_1: \beta_1 \neq 0$$

---

6. 損失函數與機器學習觀點（Loss Function in ML）

在線性回歸的機器學習實作中，會將最小平方法視為一種最小化「損失函數」的問題。

最常見的損失函數為均方誤差（MSE）：

$$\mathcal{L}(\beta_0, \beta_1) = \frac{1}{n} \sum_{i=1}^{n} (y_i - (\beta_0 + \beta_1 x_i))^2$$

在實作中，我們透過梯度下降法等最佳化演算法，最小化此損失函數來更新模型參數。

---

7. 實例（Python）

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

x = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)
y = np.array([2, 4, 5, 4, 5])

model = LinearRegression()
model.fit(x, y)

print("截距：", model.intercept_)
print("斜率：", model.coef_[0])

# 繪圖
plt.scatter(x, y, label="資料點")
plt.plot(x, model.predict(x), color='red', label="回歸線")
plt.legend()
plt.xlabel("x")
plt.ylabel("y")
plt.title("簡單線性回歸")
plt.show()

---

8. 限制與假設

1. 線性關係：$x$ 與 $y$ 的關係為線性

2. 誤差常態分布

3. 誤差變異數恆定（同質性）

4. 觀測值獨立

簡單線性回歸為許多進階統計與機器學習技術的基礎，理解其假設與應用至關重要。