4.1.9　缺点

线性回归模型只能表示线性关系，即输入特征的加权和。而每一个非线性或交互都必须是由人工构成的，并明确地作为输入特征提供给模型。

从预测性能角度来说，线性模型通常也不是那么好，因为可以学习的关系很有限，而且通常将复杂的现实过于简单化了。

权重的解释可能不直观，因为它取决于所有其他特征。在线性模型中，与结果y和另一个特征都高度正相关的特征可能会得到负权重，这是因为在另一个相关特征下，它与高维空间中的y 呈负相关。完全相关的特征使得甚至不可能找到线性方程的唯一解。例如，用一个模型预测房屋的价格，并且有一些特征，比如房间数量和房屋面积。房屋面积和房间数量是高度相关的：房屋面积越大，拥有的房间数量就越多。如果将这两个特征都纳入线性模型中，可能会发生这样的情况：房屋面积是更好的预测因素，并且会得到很大的正权重；房间数量最终可能会得到一个负权重，因为考虑到房屋面积相同，增加房间的数量可能会降低它的价格，或者当相关性太强时，线性方程会变得不稳定。