只是一个愚蠢的怀疑，为什么它被称为'线性'。是因为回归中使用的多项式函数的程度还是因为我们有1个输出来预测，或者是其他原因。我是ML的初学者。搜索谷歌无法找到答案。
线性回归称为线性回归，因为您将输出变量（我们称之为f(x)）建模为输入和权重的线性组合（分别称为x和w）。亦即
f(x) = < w, x > + b = SUM w_i x_i + b
从严格的数学角度来看，这些模型应该称为仿射模型，因为存在偏差（b项，不应该出现在线性变换中），但由于历史原因，我们使用线性名称代替。
您可以在数据的非线性变换之上考虑线性回归，但这只是一个语义技巧，因为有效的是变换数据的线性回归，而不是数据本身（就数据而言，拟合回归不是线性的） 。从数学的角度来看，保持线性是很重要的。无论你优化什么，所以就w而言。所以，如果你考虑
f(x) = <w, g(x)> + b
你仍然可以称之为线性回归（因为它是w的线性回归），但它不再是应用于x的线性回归，而是应用于g(x)。
引用this回答我认为这是关于参数theta。尽管Linear Regression上的wiki链接以下面的语句开头：
给定n个统计单位的数据集，线性回归模型假设因变量yi和回归量xi的p向量之间的关系是线性的。
但经过几行后他们提到：
有时，其中一个回归量可能是另一个回归量或数据的非线性函数，如多项式回归和分段回归。只要模型在参数矢量β中是线性的，模型就保持线性。
所以我猜线性不是x而是参数。
绝对。线性回归称为“线性回归”，不是因为x或因变量相对于y或自变量是线性的，而是因为参数或thetas是。我们当然可以有一个立方或平方根或二次函数，但它仍然被称为“线性”，因为它们是如此。
线性回归中的“线性”指的是我们使用一条线来拟合我们的数据。期。