线性回归是一种常见的统计学和机器学习方法，用于建立一个线性关系模型来预测一个连续型目标变量。它假设自变量和因变量之间存在线性关系，并且通过最小化预测值与实际观测值之间的差异来确定最佳拟合直线。

线性回归模型可以表示为：Y = β0 + β1X1 + β2X2 + … + βn*Xn + ε 其中，Y是因变量，X1, X2, …, Xn是自变量，β0, β1, β2, …, βn是回归系数，ε是误差项。

线性回归的目标是找到最佳的回归系数，使得预测值与实际观测值之间的残差平方和最小化。这个过程通常使用最小二乘法来实现。

线性回归可以用于解决许多问题，例如预测房价、销售量、股票价格等。它也可以用于探索自变量与因变量之间的关系，以及变量之间的相互作用。