AI 术语表 · 入门 · 经典机器学习、推荐与搜索
回归分析
回归分析是一种找出多个输入值与结果值之间的关系，在有新输入时预测房价、销售额、温度等连续数值的方法。它是监督学习最基本的形式之一。
关于这个术语
- 难度
- 入门 · 写给初次接触者的核心概念
- 分类
- 基础概念
- 加入时间
- 2026-10-08
通俗解释 这就像在图上标出记录身高和体重的点，然后画一条最能穿过这些点的线。画好这条线后，只要知道新的身高，就能大致估计体重。不过，如果实际关系不是直线，这条线可能给出离谱的答案。
工作原理
先从过去的数据中同时收集输入（例如面积、房间数、与车站的距离）和正确数值（例如房价）。模型为每个输入赋予权重并相加构成公式，然后调整权重，使预测值与实际值之间的差距（误差）最小。最简单的线性回归把这种关系看作一条直线（或平面），更复杂的关系则可以用决策树、梯度提升、神经网络等模型来解决回归问题。逻辑回归名字里虽然有“回归”，但其结果是“是/否”的概率，实际上用于分类。
回归与分类的区别
回归多少？
- 预测连续数值
- 例：房价、销量、温度
- 按误差大小评估
分类哪一类？
- 从既定类别中选一个
- 例：是否为垃圾邮件、商品类型
- 按准确率等评估
공통 两者都是用输入与正确答案配对的数据进行学习的监督学习
为什么重要
需求预测、定价、风险评分等询问“多少”的业务，大多是回归问题。线性回归能直接通过权重显示每个输入对结果的影响程度，因此还有易于解释的优点。所以，在构建复杂的 AI 模型之前，人们常常先建立一个回归模型作为基准线（baseline）。它也是学习损失函数、梯度下降、过拟合等机器学习基本概念的最佳起点。
注意事项
回归找到的是“共同变化的关系”，而不是因果关系。即使冰淇淋销量和溺水事故同时增加，二者也未必互为因果。输入超出训练数据范围的值时，预测可能严重出错；输入变量过多则会导致过拟合。少数极端异常值把整条线拉偏的问题也很常见。
示例
房地产平台根据面积、楼层、地区、周边设施等信息显示房屋的预估市价，零售公司则根据天气、星期几、是否有促销活动来预测下周销量并准备库存。两者的结果都是连续数值，因此都作为回归问题处理。