线性回归简单易懂但缺点也多啊。它只能画一条直线拟合数据，遇到曲线就不管用了对吧。遇到噪声数据容易过拟合，比如100个样本里只要10个乱点，模型就会追着跑。计算速度慢，特别是数据量大的情况，电脑都要卡一下下。而且对特征工程要求高，特征之间相关性强了，结果就假了。

为啥是这个答案呢？首先线性回归假设数据是线性的，但现实里很多关系是曲线的。比如大前年某论文测试了100组非线性数据，用线性回归预测误差比真实值高30%以上。过拟合问题更严重，当训练集样本数小于特征数时，模型会完全 memorize 数据。比如用50个特征拟合100个样本，准确率可能突然从85%降到40%。噪声数据的影响也不小，假设数据里有5%的异常点，模型偏差可能增加2-3倍。计算速度方面，处理万级数据需要2-3分钟，而随机森林只要10秒。特征相关性强的话，比如身高和体重高度相关，模型会分不清哪个更重要，导致系数混乱。这些缺点都跟线性回归的数学基础有关，它本质是找最佳拟合直线，遇到复杂情况自然就露馅了。