机器学习中的回归算法主要有：1、线性回归；2、逻辑回归；3、岭回归；4、套索回归；5、弹性网络；6、多项式回归；7、支持向量回归；8、决策树回归。其中，线性回归是一种最基本的回归算法，通过找到优异拟合线来描述变量间的关系。
一、线性回归
线性回归是一种通过找到优异拟合线来描述变量间关系的算法。它主要用于预测连续性变量，如房价、销售量等。
二、逻辑回归
逻辑回归虽名为回归，但通常用于分类任务。它通过Sigmoid函数来估计离散值，如是/否、成功/失败等。
三、岭回归
岭回归是一种解决共线性问题的线性回归技术，通过加入L2正则化项来减小模型复杂度。
四、套索回归
套索回归同样用于解决共线性，但通过L1正则化来实现特征选择，只保留重要特征。
五、弹性网络
弹性网络结合了L1和L2正则化，既实现特征选择又减小模型复杂度。
六、多项式回归
多项式回归通过将特征转换为多项式来拟合非线性关系，更灵活地表示数据关系。
七、支持向量回归
支持向量回归使用支持向量机原理来解决回归问题，寻找优异拟合超平面。
八、决策树回归
决策树回归通过分割特征空间来拟合数据，易于理解和解释。
常见问答：
1、线性回归与逻辑回归有何不同？
答：线性回归用于预测连续变量，逻辑回归用于分类任务。
2、正则化在回归中的作用是什么？
答：正则化用于减小模型复杂度，避免过拟合，如岭回归中的L2正则化。
3、支持向量回归与支持向量机有何关联？
答：支持向量回归使用支持向量机的原理来解决回归问题，寻找优异拟合超平面。
