线性回归(Linear regressions)和逻辑回归(Logistic regressions)是人们学习算法的第一个预测模型。
因此它们很常见，还有许多分析人员认为它们是仅有的回归模型，部分分析师认为它们是所有回归模型中最重要的，其实每种形式的回归模型都有它独特且重要的应用场景。
什么是回归分析？
回归分析是预测模型技术中的一种形式，它探讨的是因变量(target)和独立变量(predictor)之间的关系。这个技术常用于进行预测、时间序列模型和在两变量之间寻找因果效应的关系。
譬如，使用回归能最好地研究道路交通事故和司机鲁莽驾驶的关系。
回归分析是建模和分析数据的重要工具。通常，我们使用曲线／直线来拟合这些数据点，计算数据点到曲线／直线的距离偏差最小。
为什么使用回归分析？
回归分析通常用来对数据元素之间的复杂关系建立模型，用来估计一种处理方法对结果的影响和推断未来。一些具体应用案例包括：
根据种群和个体测得的特征，研究他们之间如何不同(差异性)，从而用于不同领域的科学研究，如经济学、社会学、心理学、物理学和生态学；
量化事件及其相应的因果关系，比如可应用于药物临床试验、工程安全检测、销售研究等；
给定已知的规则，确定可用来预测未来行为的模型，比如用来预测保险赔偿、自然灾害的损失、选举的结果和犯罪率等。
回归分析还使我们能比较变量在不同程度上的影响，如价格变动对促销活动的影响。这样有利于市场研究员、数据分析师、数据科学家在建立模型的时候排除并评估出最好的变量。
·END·
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
