假設你在前一個練習的減重問題中，現在也想納入：
BMR
E
你有理由相信 BMR 與減重之間的關係是線性的（而且你也想用線性方式建模），但有氧運動與減重之間的關係則不一定是線性的。
哪一個公式最合適？
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
本章將從機器學習的觀點介紹回歸的概念，並說明最基本的回歸方法：線性回歸。你會學到如何擬合線性回歸模型，以及如何用模型進行預測。
既然已經學會如何擬合基本的線性回歸模型，接下來要學習如何評估模型表現。我們會回顧以圖形方式評估模型，並介紹兩個回歸模型的基本指標。我們也會學習如何訓練在真實情境中（不只在訓練資料上）表現良好的模型。雖然示範以線性回歸為例，但這些概念適用於任何回歸演算法所擬合的模型。
在進一步學習更進階的回歸技術之前，我們會先探討其他建模議題：如何處理類別型輸入、變數間的交互作用，以及在建模前何時該考慮對輸入與輸出做轉換。雖然更進階的回歸技術能自動處理其中部分問題，但了解這些議題仍很重要，才能判斷哪些方法能更好地處理各種情況，以及哪些問題仍需要你自行管理。
在掌握線性模型之後，接著要探討用於不符合線性假設情境的建模技術。這包括預測機率與頻率（介於 0 與 1 之間的值）、預測計數（非負整數值及其相關速率）、以及對輸入具有非線性但可加成關係的反應。這些演算法都是標準線性模型的變形。
當前練習
本章將介紹不假設線性或可加性的建模演算法，並能學得輸入變數之間有限型式的交互作用。這些演算法屬於「樹為基礎」的方法，透過結合由訓練資料學得的多棵「決策樹」所形成的集成來運作。
