从机器学习的角度来看，术语「回归」通常指对连续数值的预测。从统计学上讲，这类预测对应于「期望值」，也就是在给定输入值下平均会观察到的结果。
下面哪些任务属于回归问题？
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
本章将从机器学习的角度介绍回归的概念。我们会讲解最基础的回归方法：线性回归。您将学习如何拟合线性回归模型，以及如何基于模型进行预测。
当前练习
在已经学会如何拟合基础线性回归模型之后，接下来我们将学习如何评估模型表现。我们会复习如何用图形方式评估模型，并介绍回归模型的两个基本指标。我们还将学习如何训练一个在真实环境中也能良好表现、而不仅仅在训练数据上表现出色的模型。尽管我们将以线性回归为例演示这些技术，但所有概念同样适用于用任何回归算法拟合的模型。
在进入更复杂的回归技术之前，我们会先讨论一些其他建模问题：如何处理分类输入、变量间的交互作用，以及在建模前何时需要对输入和输出进行变换。虽然更复杂的回归技术会自动处理其中的一些问题，但了解这些问题依然很重要，这样您才能判断哪些方法更适合解决特定问题——以及哪些问题仍需要您亲自处理。
在掌握线性模型之后，我们将开始探讨在不满足线性假设的情形下的建模技术。这包括预测概率与频率（取值在 0 到 1 之间）、预测计数（非负整数及相关比率），以及响应与输入存在非线性但可加性关系的情形。这些算法都是标准线性模型的变体。
本章将介绍不依赖线性或可加性假设、并且能够学习输入变量之间有限交互的建模算法。这些算法属于基于树的方法，通过将从训练数据中学到的多棵决策树组合成集成来工作。
