在機器學習和統計領域，線性回歸模型是最簡單的模型之一。這意味著，人們經常認為對線性回歸的線性假設不夠準確。

例如，下列2個模型都是線性回歸模型，即便右圖中的線看起來并不像直線。

圖1 同一數據集的兩種不同線性回歸模型

若對此表示驚訝，那么本文值得你讀一讀。本文試圖解釋對線性回歸模型的線性假設，以及此類線性假設的重要性。

回答上述問題，需要了解以下兩個簡單例子中線性回歸逐步運行的方式。

例1：最簡單的模型

從最簡單的例子開始。給定3對（x，y）訓練數據：（2,4）、（5,1）、（8,9）進行函數建模，發現目標變量y和輸入變量x之間的關系。

圖2 本文中使用的訓練數據集

這一模型最為簡單，如下所示：

通過運用該簡單的線性函數，可模擬x和y之間的關系。關鍵在于該函數不僅與輸入變量x成線性關系，而且與參數a、b成線性關系。

當前目標是確定最符合訓練數據的參數a和b的值。

這可通過測量每個輸入x的實際目標值y和模型f（x）之間的失配來實現，并將失配最小化。這種失配（=最小值）被稱為誤差函數。

有多種誤差函數可供選擇，但其中最簡單的要數RSS，即每個數據點x對應的模型f（x）與目標值y的誤差平方和。

利用誤差函數的概念，可將“確定最符合訓練數據的參數a、b”改為“確定參數a、b，使誤差函數最小化”。

計算一下訓練數據的誤差函數。

上面的等式就是要求最小值的誤差函數。但是，怎樣才能找到參數a、b，得到此函數的最小值呢？為啟發思維，需要將該函數視覺化。

圖3 誤差函數的第一個模型

從上方的3D圖來看，人們會本能地猜測該函數為凸函數。凸函數的優化（找到最小值）比一般數學優化簡單得多，因為任何局部最小值都是整個凸函數的最小值。（簡單來講，就是凸函數只有一個最小點，例如“U”的形狀）由于凸函數的這種特性，通過簡單求解如下的偏微分方程，便可得到使函數最小化的參數。

下面解下之前的例子吧。

通過求解上面的等式，得到a = 5/6、b = 1/2。因此，第一個模型（最小化RSS）如下所示：

圖4 第一個模型

示例2：簡單的彎曲模型

現在，對于相同的數據點，可考慮如下的另一模型：

如上所示，該模型不再是輸入變量x的線性函數，但仍是參數a、b的線性函數。

下面看下這一變化對模型擬合過程的影響。我們將使用與前一示例相同的誤差函數——RSS。

如上所示，等式看起來與前一個非常相似。（系數的值不同，但方程的形式相同。）該模型的可視化圖像如下：

圖5 誤差函數的第二個模型

兩個模型的形狀看起來也很相似，仍然是凸函數。但秘密在于，當使用訓練數據計算誤差時，輸入變量作為具體值給出（例如，x²的值在數據集中給定為22、52和8²，即（2,4）、（5,1）、（8,9））。因此，無論輸入變量的形式多復雜（例如x、x²、sin（x）、log（x）等......），給定的值在誤差函數中僅為常數。

誤差函數的第二個模型也是凸函數，因此可通過與前一示例完全相同的過程找到最佳參數。

通過求解上面的等式，得到a = 61/618、b = 331/206。所以，第二個模型如下所示：

圖6 第二個模型

結論：線性回歸模型的線性假設

上述2個例子的求解過程完全相同（且非常簡單），即使一個為輸入變量x的線性函數，一個為x的非線性函數。兩個模型的共同特征是兩個函數都與參數a、b成線性關系。這是對線性回歸模型的線性假設，也是線性回歸模型數學單性的關鍵。

上面2個模型非常簡單，但一般而言，模型與其參數的線性假設，可保證RSS始終為凸函數。通過求解簡單偏微分方程，得到最優參數，這就是線性假設至關重要的原因。