Линейная регрессия – это модель машинного обучения, которая используется для предсказания значения зависимой переменной на основе одной или нескольких независимых переменных. В контексте вашего вопроса, наиболее правильным утверждением будет:

• Предсказываемое значение является суммой взвешенных признаков.

Давайте разберем шаги, которые помогут понять, почему это утверждение верно:

1. Определение модели: Линейная регрессия предполагает, что зависимая переменная (то, что мы предсказываем) является линейной комбинацией независимых переменных (признаков). Это означает, что каждое значение признака умножается на определенный вес, и затем все эти произведения суммируются, чтобы получить предсказанное значение.
2. Формула линейной регрессии: В простейшем случае, когда у нас есть только одна независимая переменная, линейная регрессия выражается формулой:
   • y = b0 + b1 * x
   Здесь:
   • y – предсказываемое значение (зависимая переменная).
   • b0 – свободный член (интерсепт), который является константой.
   • b1 – коэффициент наклона (вес признака).
   • x – независимая переменная (признак).
3. Множественная линейная регрессия: Если у нас несколько независимых переменных, формула становится:
   • y = b0 + b1 * x1 + b2 * x2 + ... + bn * xn
   Здесь каждый признак xi умножается на свой вес bi, и все произведения суммируются вместе с свободным членом b0.
4. Цель модели: Линейная регрессия стремится найти такие веса, которые минимизируют разницу между предсказанными значениями и фактическими значениями зависимой переменной, обычно с помощью метода наименьших квадратов.

Таким образом, предсказываемое значение действительно является суммой взвешенных признаков, что и делает линейную регрессию мощным инструментом для анализа и предсказания данных.