一、线性回归

线性回归是一种通过找到优异拟合线来描述变量间关系的算法。它主要用于预测连续性变量，如房价、销售量等。

二、逻辑回归

逻辑回归虽名为回归，但通常用于分类任务。它通过Sigmoid函数来估计离散值，如是/否、成功/失败等。

三、岭回归

岭回归是一种解决共线性问题的线性回归技术，通过加入L2正则化项来减小模型复杂度。

四、套索回归

套索回归同样用于解决共线性，但通过L1正则化来实现特征选择，只保留重要特征。

五、弹性网络

弹性网络结合了L1和L2正则化，既实现特征选择又减小模型复杂度。

六、多项式回归

多项式回归通过将特征转换为多项式来拟合非线性关系，更灵活地表示数据关系。

七、支持向量回归

支持向量回归使用支持向量机原理来解决回归问题，寻找优异拟合超平面。

八、决策树回归

决策树回归通过分割特征空间来拟合数据，易于理解和解释。

常见问答：

1、线性回归与逻辑回归有何不同？

答：线性回归用于预测连续变量，逻辑回归用于分类任务。

2、正则化在回归中的作用是什么？

答：正则化用于减小模型复杂度，避免过拟合，如岭回归中的L2正则化。

3、支持向量回归与支持向量机有何关联？

答：支持向量回归使用支持向量机的原理来解决回归问题，寻找优异拟合超平面。