我会说，命名线性数据或非线性数据有点误导和错误。相反，变量之间存在线性关系和非线性关系会更好，更正确的命名。它可以很容易地通过现实生活中的例子来解释。

• 非线性关系：任何类型的非线性关系都可以作为例子提出（例如二次关系：y = intercept + x^2，平方根关系：y = intercept + 6 * sqrt(x)等）让我们想象一个我们不知道自由落体方程并且我们使用的世界ML 来学习和预测它:)。在这种情况下（特定和简化的情况），算法需要学习以下结构中的方程s = v₀t + (1/2)gt²，其中 t 是我们的自变量，s 是我们的目标或因变量，v₀, g 是我们要学习的系数。换句话说，您可能希望使用时间来预测自由落体（距离或高度）。在那个虚构的世界里，牛顿的万有引力定律，(F = G * (M1 * M2) / r^2)圆的面积(A = π * r^2)也将是 ML 的二次问题。除非您使用某种变换，否则线性函数不满足这种情况的要求，比如说从牛顿定律中取 r^2 的平方根或从自由落体中取 t^2 的平方根，然后在线性函数中使用它们。非线性现实生活中最著名的例子是使用年龄来预测身高。然而，高度以不同的速率连续变化：直到 13 逐渐增加，在 13-18 之间显着增加，在 18-25 之间略有变化，在 25 之后没有变化。因此，不可能将其拟合到线性方程中，因为它不依赖于单个系数，或者无法拟合到公式中height = intercept + b * age因为系数（b）随着时间（年龄）不是恒定的。此外，Graph、Tree 和其他类似的结构也被拟合成非线性关系。在结果高度依赖于ifs 的情况下，线性算法是无用的，因为您无法将关系拟合到y = a + b * x. 比方说，您想根据他们的走法预测谁将赢得一盘棋，您可以使用树状（例如：alpha-beta 剪枝）算法来预测它。
• 线性关系：简单地说，这些关系可以用y = a + b * x公式甚至来解释y = a + b1* x1 + b2*x2 + ...。最简单的例子是预测在酒吧（或任何类型的娱乐场所）花费的成本。cost = intercept (let's imagine you pay money for entering to the bar) + (the price of a drink) * (the number of drinks bought) + (the price of appetizer) * (the number of appetizers bought)将是我们的公式。