有哪些机器学习回归算法及其应用实例，推荐学习收藏？

本文共计3434个文字，预计阅读时间需要14分钟。

我相信很多人跟我一样，学习机器学习和数据科学的第一步是线性回归，它简单易懂。由于功能有限，它不太可能成为工作中的最佳选择。在多数情况下，线性回归被用作基础模型。

我相信很多人跟我一样，学习机器学习和数据科学的第一个算法是线性回归，它简单易懂。由于其功能有限，它不太可能成为工作中的最佳选择。大多数情况下，线性回归被用作基线模型来评估和比较研究中的新方法。

在处理实际问题时，你应该了解并尝试许多其他回归算法。一方面可以系统学习回归算法，另外一方面在面试中也常用到这些算法。在本文中，我们将通过使用 Scikit-learn 和 XGBoost 的动手实践来学习 9 种流行的回归算法。 ​喜欢本文记得收藏、关注、点赞。​

​文末有技术交流群​

结构如下：

• 线性回归
• 多项式回归
• 支持向量机回归
• 决策树回归
• 随机森林回归
• LASSO 回归
• Ridge 回归
• ElasticNet 回归
• XGBoost 回归

​

线性回归

线性回归通常是人们学习机器学习和数据科学的第一个算法。线性回归是一种线性模型，它假设输入变量 (X) 和单个输出变量 (y) 之间存在线性关系。 一般来说，有两种情况：

• 单变量线性回归：它对单个输入变量（单个特征变量）和单个输出变量之间的关系进行建模。
• 多变量线性回归（也称为多元线性回归）：它对多个输入变量（多个特征变量）和单个输出变量之间的关系进行建模。