目录
1. 回归问题
回归问题内含因果关系，核心是要探索合适的函数关系，函数关系表示自变量到因变量的映射关系。举例，已知一组接受化疗的乳腺癌患者的心功能超声测值，患者年龄、用药情况等信息，可以通过回归函数，预测在未来某个时刻患者的心功能超声测值。
2. 回归模型分类
回归任务可以分为线性模型和非线性模型。根据线性模型所需特征的个数，又可以分为一元线性模型和二元线性模型。
3.评估模型
一组数据可能存在多个回归模型，到底哪个回归模型的预测效果会更好呢？
需要用损失函数进行模型评估，其中会接触两个概念“方差”和“偏差”。方差大可以理解为模型过拟合，即模型在训练集上损失值很小，但是在测试集上损失值变大；而偏差大可以理解为模型欠拟合，即模型在训练集上表现也不佳，说明该回归模型尚未学习到关键特征，可能需要更多的训练样本、用更加复杂的模型进行训练，以达到最佳预测结果。
除了增大数据集、优化模型之外，正则化方法可以有效改善模型过拟合问题，正则化参数属于超参数，选择合适的正则化参数有助于得到性能较好的模型。
4.最佳模型
一般选择最佳模型，依赖于损失函数，而损失函数最关键的内容就是采用不同梯度下降方法更加快速有效地更新权值，使得Loss函数快速收敛。