# 回归算法

回归算法是监督学习中用于预测连续值的算法，通过建立输入特征和目标变量之间的关系来进行预测。

# 主要算法

# 线性回归

线性回归是最基础的回归算法，假设特征和目标变量之间存在线性关系。它简单易懂，计算效率高。

# 多项式回归

多项式回归是线性回归的扩展，通过引入高阶特征来拟合非线性关系。它能够捕捉更复杂的数据模式。

# 岭回归

岭回归通过添加L2正则化项来解决多重共线性问题，防止过拟合。它在特征之间存在相关性时特别有用。

# Lasso回归

Lasso回归使用L1正则化，可以实现特征选择，使模型更加稀疏。它适合处理高维数据。

# 弹性网络

弹性网络结合了岭回归和Lasso回归的优点，同时使用L1和L2正则化。它在特征选择和处理多重共线性方面表现优秀。

# 应用场景

房价预测
销售预测
股票价格预测
能源消耗预测
温度预测

# 选择建议

简单线性关系：线性回归
非线性关系：多项式回归
特征间相关性强：岭回归
需要特征选择：Lasso回归
同时需要特征选择和处理共线性：弹性网络