自回歸（autoregressive）模型是一種在機器學習和統計學中常用的方法，主要用來處理序列數據的預測。它的基本概念是：序列中的當前值是過去值的函數，藉由利用序列中先前的數據點來預測下一個數據點。
具體來說，自回歸模型會根據時間序列中前面一段時間（稱為滯後期數）的觀測值，透過線性組合與隨機誤差來估計當前的數值。這類模型廣泛應用於時間序列分析，例如股價預測、氣象預報等等。在自然語言處理中，也有稱為自回歸語言模型的架構，例如 GPT 類模型，透過先前的詞語序列一步步預測下一個詞語。
總結要點：
- 自回歸模型基於「自身過去值預測自身未來值」的原理，
- 是一種線性模型，但複雜模型會加入非線性變化，
- 重要的統計工具中，透過自相關性度量序列內部的時間相依關係，
- 在生成式模型中用於逐步生成序列（如文本、語音等）。
