为什么说 y = a₁x₁ + a₂x₂ + b 是线性的？
0. 开场白
很多人第一次看到这个方程都会点头：“嗯，线性！”
可一旦追问“为什么”，答案往往只剩一句：“因为图像是一条直线……呃不，一张平面？”
故事还没完。今天咱们把“直线”→“平面”→“数学定义”→“工程习惯”一次说完，带你从直觉到严谨，再落回日常。
1. 直觉篇：图像就是“直的”
1.1 先玩二维
y = ax + b 的图像是条直线——这没人反对。
直线的最大特点：
- 你往右挪 1 格，y 永远涨固定格数 a，跟你在哪起步无关。
- 没有弯、没有坡道突变。
1.2 再升三维
把方程升级成 y = a₁x₁ + a₂x₂ + b。
- 让 x₂ 暂时停盘（固定），只动 x₁：y 与 x₁ 仍是直线，斜率 a₁。
- 让 x₁ 停盘，只动 x₂：y 与 x₂ 也是直线，斜率 a₂。
两个方向都“直”，合起来就张成一张平面。
平面在三维里就是“没弯”的代表——所以视觉上它依旧是直的。
2. 数学篇：一测发现“有点不直”
2.1 线性函数的硬指标
数学宅们给“线性”下了两条硬规矩，少一条都算仿射：
- 可加性：f(u + v) = f(u) + f(v)
- 齐次性：f(αu) = αf(u) （对所有标量 α 成立）
2.2 当场体检
令 f(x₁, x₂) = a₁x₁ + a₂x₂ + b
-
先测可加性
f(x₁+x₁′, x₂+x₂′) = a₁(x₁+x₁′) + a₂(x₂+x₂′) + b
f(x₁,x₂) + f(x₁′,x₂′) = 上面那行 再加一个 b
两边差了个 b → 可加性 FAIL！ -
再测齐次性
f(αx₁, αx₂) = α(a₁x₁ + a₂x₂) + b
αf(x₁,x₂) = α(a₁x₁ + a₂x₂) + αb
两边差值 (α−1)b 对所有 α 不恒为 0 → 齐次性也 FAIL！
结论：严格数学意义下，它叫仿射函数，不是线性函数。
3. 工程篇：干嘛还厚着脸皮叫“线性”
3.1 趋势核心仍是线性
虽然整体“加不拢”，但每个自变量对 y 的边际效应
∂y/∂x₁ = a₁，∂y/∂x₂ = a₂
都是常数。
x₁ 每涨 1 单位，y 稳稳涨 a₁，跟 x₁ 本身在哪无关——这正是“线性关系”最被看重的特性。
3.2 一招“升维”秒变真正线性
把常数 b 当成虚拟输入 1 的系数：
y = [a₁ a₂ b]·[x₁ x₂ 1]ᵀ
现在没有独立截距了，完全符合严格线性定义——只是多塞了一个永远为 1 的特征。
机器学习里这叫“齐次坐标技巧”，大家天天用。
3.3 实用主义压倒名词洁癖
- 建模必须留截距：零点附近没样本是常态，b 给模型自由上下平移。
- 叫“线性”大家都懂：统计、经济、机器学习圈全明白你说的是“变量线性叠加”，没人会跳出去喊“这是仿射！”
于是约定俗成——“线性模型”默认包含截距项。
4. 一分钟收束
- 眼睛看：图像平面“没弯”→ 直觉叫线性。
- 严格算：常数 b 破坏可加 / 齐次 → 数学叫仿射。
- 工程玩：把 b 当成 1 的系数，升维后真线性；且核心趋势仍是“每单位输入固定输出”→ 实用中继续喊线性。
所以，y = a₁x₁ + a₂x₂ + b 被说成“线性”，既不完全违背直觉，也懒得在口头上区分“仿射”——反正我们早就在数据里偷偷给它打补丁了。
