Linjär regression i maskininlärning: enkelt förklarat

Linjär regression maskininlärning är en metod där en modell lär sig att förutsäga ett tal från data. Det är en av de enklaste metoderna i maskininlärning och används till exempel för att uppskatta pris, temperatur, förbrukning eller restid.

I stället för att någon skriver en regel för varje situation tränas modellen på exempel där rätt svar redan finns. Den försöker hitta ett samband som ofta kan beskrivas med en rak linje eller, när flera saker räknas med samtidigt, med en enkel viktad summa av flera egenskaper.

I korthet

Linjär regression används när svaret ska vara ett tal, inte en kategori.
Metoden tränas på exempel med rätt svar och hör till övervakad inlärning.
Den enklaste formen kan beskrivas som en rak linje, ofta skriven som y = ax + b.
Varje egenskap får en vikt som visar hur mycket den påverkar resultatet.
Metoden är enkel att tolka men fungerar bäst när sambandet i datan inte är alltför komplicerat.

Vad är linjär regression i maskininlärning?

Linjär regression är en metod där en modell kopplar ihop indata med ett numeriskt svar. Numeriskt betyder att svaret är ett tal. Det kan vara ett bostadspris, en temperatur, en väntetid eller hur mycket el som brukar gå åt.

I maskininlärning används metoden för att lära från exempel. Modellen får många rader data där både indata och rätt målvärde redan finns. Därefter justeras modellen så att dess förutsägelser kommer närmare de verkliga värdena.

Detta skiljer sig från klassificering, där modellen ska välja mellan kategorier som ja eller nej. Linjär regression används alltså när frågan är hur mycket, hur långt, hur varmt eller hur dyrt.

Hur ser den enklaste modellen ut?

Den enklaste formen av linjär regression med en enda egenskap brukar skrivas som y = ax + b. Du behöver inte kunna algebra för att förstå idén. Formeln säger bara att svaret byggs av två delar: hur mycket x påverkar, och ett startvärde.

Del i formeln	Enkel betydelse	Exempel med bostadsyta
x	det vi matar in	bostadens yta
a	lutning, alltså hur mycket svaret ändras när x ökar	hur mycket priset brukar öka per extra kvadratmeter
b	startvärde	en grundnivå i modellen även när x är noll
y	modellens förutsägelse	uppskattat pris

Om a är positivt stiger linjen uppåt. Då betyder större x ofta större y. Om a är negativt lutar linjen nedåt. Då betyder större x ofta mindre y. Det är detta man menar med ett linjärt samband i enkel form.

Verklig data ligger nästan aldrig perfekt på en rak linje. Poängen är inte att varje exempel ska träffas exakt, utan att modellen ska hitta en rimlig riktning som fungerar också för nya exempel.

Vad betyder linjär när man har flera egenskaper?

I praktiken använder man ofta flera egenskaper samtidigt. En bostadsmodell kan till exempel titta på yta, antal rum och ålder. Då syns inte längre bara en enda ritad linje, men grundidén är densamma.

Varje egenskap får en vikt, ibland kallad koefficient, på engelska coefficient. Vikten visar hur mycket just den egenskapen påverkar modellens förutsägelse när de andra hålls lika.

Stor positiv vikt: egenskapen drar upp det förutsagda värdet.
Stor negativ vikt: egenskapen drar ned det förutsagda värdet.
Liten vikt nära noll: egenskapen påverkar resultatet mindre i just den modellen.

Man kan tänka på det som en viktad summa. Modellen tar flera indata, multiplicerar varje del med sin vikt och lägger ihop dem till ett målvärde. Därför passar metoden bäst när varje egenskap påverkar resultatet på ett ganska jämnt och förutsägbart sätt.

När passar linjär regression bäst?

Linjär regression hör till övervakad inlärning, där modellen tränas på exempel med facit. Varje rad i träningsdatan innehåller både indata och det rätta målvärdet.

När svaret är ett tal, som pris, tid, längd eller temperatur.
När sambandet verkar ganska enkelt och går i en tydlig riktning.
När du vill ha en modell som är relativt lätt att tolka.
När du vill börja med en enkel basmodell innan du provar mer avancerade metoder.

Metoden passar sämre om problemet egentligen handlar om kategorier, eller om sambanden är mycket krokiga och beror på svåra kombinationer mellan många faktorer. Då kan andra metoder vara mer lämpliga.

Hur tränas modellen steg för steg?

Träningen går ut på att hitta de vikter som ger så små fel som möjligt på träningsdatan. De justerbara värdena i modellen kallas parametrar, på engelska parameters.

Samla träningsdata

Man börjar med exempel där rätt målvärde redan är känt, till exempel bostäder med känd yta, antal rum och slutpris.

Välj egenskaper

Det modellen tittar på kallas egenskaper, på engelska features. Det kan vara yta, ålder, avstånd eller andra relevanta delar av datan.

Låt modellen gissa

Modellen räknar ut ett första förslag, till exempel ett uppskattat pris.

Mät felet

Modellens gissning jämförs med det verkliga värdet. Om skillnaden är stor behöver vikterna ändras.

Justera parametrarna

Vikterna ändras lite i taget så att modellen i genomsnitt gör mindre fel på träningsdatan.

Utvärdera separat

Först efter träningen testar man modellen på data som inte användes i träningen. Då ser man om den fungerar också på nya exempel.

Det sista steget är viktigt. Testdata ska hållas utanför själva träningen. Annars går det inte att veta om modellen har lärt sig ett användbart mönster eller bara anpassat sig till just de exempel den redan sett.

Hur vet man om modellen är bra?

En modell är inte bra bara för att den träffar rätt på träningsdatan. Det viktiga är hur väl den fungerar på ny data. Därför gör man en utvärdering, på engelska evaluation, där modellen prövas på exempel som inte användes för att ställa in vikterna.

För linjär regression tittar man ofta på hur stora felen är mellan modellens förutsägelser och de verkliga värdena. Mindre fel är bättre, men man måste också fråga om felen är små nog för den verkliga uppgiften. Ett fel som är obetydligt i ett sammanhang kan vara allvarligt i ett annat.

Modellen ska ge rimliga svar på data den inte tränats på.
Resultatet ska vara stabilt, inte bara råka passa gamla exempel.
Datan behöver vara relevant för den situation där modellen ska användas.
Man bör kontrollera att viktiga egenskaper inte saknas.

Ett vanligt problem är överanpassning, på engelska overfitting. Då passar modellen träningsdatan för väl men fungerar sämre på ny data. Linjär regression är ofta enklare än många andra modeller, men den kan ändå bli missvisande om datan är dålig eller om problemet är fel formulerat.

Tänk på

Om du vill läsa mer om hur linjär regression fungerar i praktiken finns en tydlig genomgång hos Google Machine Learning Crash Course. För skillnaden mellan träning och testning är också Googles sida om overfitting användbar.

En bred och lättläst bakgrund till metoden finns även hos IBM om linjär regression.

Vad är skillnaden mellan linjär och logistisk regression?

Namnen låter lika, men de används till olika typer av uppgifter. Linjär regression förutsäger ett tal. Logistisk regression används trots namnet oftast för klassificering, alltså när modellen ska avgöra vilken klass något tillhör.

Metod	Vad modellen räknar ut	Hur svaret används
Linjär regression	ett tal	används direkt som förutsägelse, till exempel pris eller temperatur
Logistisk regression	en sannolikhet	jämförs med en gräns för att välja klass, till exempel skräppost eller inte

Om målet är ett tal väljer man normalt linjär regression. Om målet är en kategori väljer man oftare logistisk regression eller någon annan klassificeringsmetod.

Styrkor, begränsningar och varför metoden inte är magi

Linjär regression är populär eftersom den är enkel att komma igång med och ofta lättare att förklara än mer komplicerade modeller. Därför används den ofta som första steg när man vill förstå ett problem eller bygga en enkel prognos.

Styrka: snabb att träna och enkel att använda.
Styrka: vikterna går ofta att tolka på ett begripligt sätt.
Styrka: bra som första jämförelse innan man provar andra modeller.
Begränsning: den fångar inte alltid böjda eller mer komplexa samband.
Begränsning: resultatet blir lätt missvisande om träningsdatan är sned, liten eller ofullständig.
Begränsning: den är enkel, men enkelhet betyder inte automatiskt att modellen är rätt för uppgiften.

Det här passar också väl in i sajtens grundidé om AI. Linjär regression är i första hand en maskininlärningsmetod, alltså ett verktyg som lär sig statistiska samband från data. Den har ingen förståelse i mänsklig mening. Hur användbar den blir beror på hur människor väljer data, bygger modellen och tolkar resultaten.

Om du senare vill jämföra med andra metoder finns en översikt i algoritmer inom maskininlärning. Men för många nybörjare räcker det långt att först förstå varför just en rak linje ibland kan ge en användbar förutsägelse.

Vanliga frågor

Är linjär regression statistik eller maskininlärning?

Båda perspektiven förekommer. Metoden har länge använts inom statistik, men i maskininlärning används den ofta som en tränad förutsägelsemodell. Skillnaden ligger mest i hur man använder den och vad man vill uppnå.

Kan linjär regression använda flera variabler samtidigt?

Ja. Det är vanligt att modellen använder flera egenskaper samtidigt, som yta, antal rum och ålder. Varje egenskap får då en egen vikt som påverkar det slutliga svaret.

Måste sambandet vara exakt en rak linje?

Nej. Verklig data ligger sällan perfekt på en rak linje. Metoden kan ändå fungera bra om det finns en tydlig ungefärlig riktning som en enkel modell fångar tillräckligt väl.

När ska man inte använda linjär regression?

Den passar sämre när svaret är en kategori i stället för ett tal. Den är också ofta för enkel när sambanden är starkt icke-linjära, alltså när de böjer av mycket eller beror på mer komplicerade kombinationer i datan.

Är linjär regression ett exempel på AI?

Den är framför allt en metod inom maskininlärning. I dagens breda språkbruk räknas maskininlärning ofta in under AI, men det viktiga här är vad metoden faktiskt gör: den lär sig samband från data för att förutsäga tal. Det betyder inte att modellen tänker eller har egen förståelse.

Källor

Skriven av AI-redaktionen. Texten är researchad och faktakontrollerad mot källorna ovan.

Senast uppdaterad: 26 oktober 2026

Ser du något som är fel eller har blivit inaktuellt? Hör av dig så rättar vi.