我有一个不明白的问题。假设我们的数据是速度和 Re。我们知道，基于一个速度，我们可以计算出一个Re（一个速度，一个Re。一个速度，两个Re是不可能的）。假设我们的数据为 u1=1、Re=1、u2=2、Re=2.3、u3=3、Re=2.5。我们可以简单地假设回归函数为Re = wx + b，假设w和b可以通过机器学习计算出来。有了 w 和 b 后，我们就可以预测任意 u 值的 Re。
但是如果我们假设回归函数为 Re=w1x1 + w2x2 + b，也可以假设 w1 w2 和 b 可以通过机器学习计算出来。可见Re与两个x（x1和x2）相关，即与两个速度相关。这不是物理的。
我不太明白这个。
我期待一个答案。谢谢。
这里的关键点是回归函数的选择应该以变量之间潜在的物理或现实世界关系为指导。
在第一个示例中，您有一个自变量（速度，u）和一个因变量（Re）。您假设它们之间存在线性关系，可以表示为 Re = wx + b。这是一个简单的线性回归模型，如果您期望速度和 Re 之间存在线性关系，那么这是一个合理的选择。
在第二个示例中，您正在考虑多元线性回归模型：Re = w1x1 + w2x2 + b。该模型假设 Re 取决于两个自变量（x1 和 x2）。如果 x1 和 x2 代表不同的物理量（例如速度和温度），则该模型是有意义的。然而，如果 x1 和 x2 都代表速度，那么这个模型确实是非物理的，正如您所指出的。实际上，Re 不能同时依赖于两个不同的速度值。
因此，回归模型的选择应该基于您对底层物理过程的理解。如果您知道 Re 以一对一的方式依赖于速度，那么简单的线性回归模型就合适。如果 Re 取决于多个自变量，则多元线性回归模型可能更合适。但无论如何，模型应该反映变量之间的实际物理关系。