线性回归是一种广泛应用于统计学和机器学习中的预测模型，主要用于研究一个或多个自变量（也称为特征）与因变量之间的关系。在最简单的形式下，线性回归假设因变量和自变量之间存在线性关系，并通过拟合一条直线来表示这种关系。这条直线可以用数学公式表示为：
\[ y = \beta_0 + \beta_1x_1 + \epsilon \]
其中：
- \(y\) 是因变量（我们试图预测的值）。
- \(x_1\) 是自变量（用于预测因变量的输入数据）。
- \(\beta_0\) 是截距项，即当所有自变量都为零时，\(y\) 的预期值。
- \(\beta_1\) 是斜率，表示自变量 \(x_1\) 每增加一个单位，因变量 \(y\) 预期变化的数量。
- \(\epsilon\) 代表误差项，反映了模型未能解释的数据点的随机波动。
在更复杂的情况下，如果存在多个自变量，则线性回归模型可以扩展为多元线性回归模型，其公式为：
\[ y = \beta_0 + \beta_1x_1 + \beta_2x_2 + ... + \beta_nx_n + \epsilon \]
这里，\(\beta_i\)（\(i=1,2,...,n\)）代表每个自变量的系数，而 \(x_i\) 表示不同的自变量。这个模型允许我们探索多个因素如何共同影响因变量。
线性回归模型的核心在于找到最佳拟合直线或平面，这通常通过最小化预测值与实际观测值之间的差异平方和（即残差平方和）来实现。这一过程被称为“最小二乘法”，是估计线性回归模型参数的标准方法。
线性回归模型因其简单性和易于理解性，在商业预测、经济分析、社会科学等领域得到了广泛应用。然而，它也有局限性，如假设自变量与因变量之间存在线性关系，以及可能对异常值敏感等。因此，在应用时需要根据具体问题选择合适的方法。