رگرسیون (Regression) چیست؟ توضیح ساده و کاربردی

واژه‌های تخصصی، درِ ورود به هر حوزه‌اند؛ وقتی «رگرسیون» را درست بفهمید، نصف راه یادگیری آن حوزه را رفته‌اید. این تعریف ساده بخشی از واژه‌نامه هوش مصنوعی امروزینو است.

رگرسیون به زبان ساده

مدل‌سازی آماری رابطه میان متغیرها برای پیش‌بینی یک مقدار عددی. پیش‌بینی قیمت خانه و فروش آینده از کاربردهای رایج آن است.

چرا دانستنش مهم است؟

وقتی پای این واژه وسط می‌آید، معمولاً بحث از سطح ابتدایی گذشته و دقیقاً همان‌جایی است که باید انتخاب آگاهانه کنید.

رگرسیون با یک مثال عددی

ساده‌ترین مدل قیمت خانه در یک محله چنین فرمولی دارد: قیمت (میلیون تومان) ≈ ۴۵ × متراژ − ۸ × سن بنا + ۳۰۰. این سه عدد (۴۵، ۸ منفی و ۳۰۰) را کسی از جیب نیاورده؛ رگرسیون آن‌ها را از صدها معاملهٔ واقعی طوری درآورده که مجموع مربعات خطاها کمینه شود. حالا مدل را به کار بگیریم: خانهٔ ۸۰ متری، ۱۰ ساله — یعنی ۴۵ × ۸۰ = ۳٫۶۰۰، منهای ۸ × ۱۰ = ۸۰، به‌علاوهٔ ۳۰۰: حدود ۳٫۸۲۰ میلیون تومان (تقریباً ۳٫۸ میلیارد). خانهٔ ۱۲۰ متری ۲۰ ساله؟ ۵٫۴۰۰ − ۱۶۰ + ۳۰۰ = ۵٫۵۴۰. مدل واقعی به‌جای ۳ ضریب شاید ۲۰ ویژگی دارد — منطق، همان است.

کاربردهای واقعی در ۲۰۲۶

• تخمین آنی قیمت املاک و خودرو: اپ‌های معامله با رگرسیون روی هزاران معاملهٔ اخیر، «قیمت منصفانه» هر آگهی را در ثانیه می‌گویند.
• پیش‌بینی تقاضا و موجودی: زنجیره‌های فروشگاهی با رگرسیون می‌فهمند هر قفسه هفتهٔ بعد چند عدد می‌فروشد و سفارش چقدر باشد.
• برآورد بودجهٔ پروژه: پیمانکاران با رگرسیون روی پروژه‌های گذشته، هزینهٔ واقع‌بینانهٔ پروژهٔ جدید را قبل از شروع محک می‌زنند.

اشتباه رایج در فهم رگرسیون

گمراه‌کننده‌ترین اشتباه: «رگرسیون رابطه را نشان می‌دهد، پس علت را هم نشان می‌دهد» — نه! فروش بستنی و حوادث غرق‌شدگی هر دو تابستان اوج می‌گیرند؛ رگرسیون بین آن‌ها رابطهٔ قوی نشان می‌دهد، اما یکی علت دیگری نیست — تابستان علت هر دوست. همبستگی، ابزار پیش‌بینیِ عالی است و ابزار استنباطِ علّیِ خطرناک. برای ادعای علت و معلول، آزمایشِ کنترل‌شده لازم است نه فقط رگرسیون.

تفاوت با دسته‌بندی

هر دو از دادهٔ برچسب‌دار یاد می‌گیرند؛ خروجی‌شان فرق دارد. رگرسیون عدد پیوسته می‌دهد: «قیمت این خانه ۳٫۸ میلیارد»، «فروش فردا ۴۲۰ عدد». دسته‌بندی از میان گزینه‌های محدود انتخاب می‌کند: «این ایمیل اسپم است»، «این تراکنش مشکوک است». تست سرانگشتی: اگر جوابِ سؤال عدد است و می‌شود بین دو مقدارش «میانه» داشت، رگرسیون؛ اگر برچسبِ یکی از چند کلاس است، دسته‌بندی.

مفاهیم مرتبط

• تشخیص چهره چیست؟
• سامانه توصیه‌گر چیست؟
• بیش‌برازش چیست؟
• زنجیره تفکر چیست؟

جمع‌بندی

رگرسیون (Regression) را حالا می‌شناسید؛ قدم بعدی، دیدن این مفهوم در عمل است. برای عمق بیشتر، مطالب بخش هوش مصنوعی را دنبال کنید.

سؤالات پرتکرار

رگرسیون چیست و به چه دردی می‌خورد؟

مدل‌سازی آماری رابطه میان متغیرها برای پیش‌بینی یک مقدار عددی. پیش‌بینی قیمت خانه و فروش آینده از کاربردهای رایج آن است.

رگرسیون برای چه کسانی مهم است؟

برای هر کسی که می‌خواهد در حوزه هوش مصنوعی حرف‌های باتخصص‌تر بزند و تصمیم‌های بهتر بگیرد.

رگرسیون را کجا در زندگی روزمره می‌بینم؟

بیشتر از آنچه فکر می‌کنید: تخمین قیمت در دیوار و اپ‌های خودرو، پیش‌بینی مصرف و قبض‌های دوره‌ای، امتیاز اعتباری اپ‌های وام که ریسک شما را عدد می‌کند، و حتی رتبه‌بندی نتایج برخی جست‌وجوها. هر جا خروجی «یک عدد» باشد، احتمالاً رگرسیون در کار است.

برای استفاده از رگرسیون باید ریاضی‌دان باشم؟

برای فهم ایده، نه؛ برای اجرای جدی، آمار پایه کافی است. اکسل همان رگرسیون خطی ساده را با چند کلیک اجرا می‌کند و کتابخانه‌های پایتون کار سنگین را برداشته‌اند. آنچه واقعاً لازم است، حساسیت آماری است: بدانی عددِ خروجی چه حدودی دارد و چه زمانی اعتمادکردن به آن خطرناک است.

رگرسیون خطی را کِی نباید استفاده کرد؟

وقتی رابطهٔ متغیرها خطی نیست (مثل اثر دوز دارو که اول بالا می‌رود بعد سقوط می‌کند)، وقتی داده‌های پرتِ سنگین دارید که خط را می‌کشند، و وقتی می‌خواهید خروجیِ طبقه‌ای بدهید نه عددی. قبل از اعتماد به نتیجه، نمودار پراکندگی داده و خط برازش را ببینید؛ بیشتر اشتباه‌های رگرسیون با همین یک نگاه شفاف می‌شوند.

مطالب مرتبط

• برچسب‌گذاری داده (Data Labeling) چیست؟ توضیح ساده و کاربردی
• سوگیری الگوریتمی (Algorithmic Bias) چیست؟ توضیح ساده و کاربردی
• خوشه‌بندی (Clustering) چیست؟ توضیح ساده و کاربردی
• یادگیری با نظارت (Supervised Learning) چیست؟ توضیح ساده و کاربردی
• مدل چندوجهی (Multimodal Model) چیست؟ توضیح ساده و کاربردی
• توکن (Token) چیست؟ توضیح ساده و کاربردی