回归算法：预测连续数值的机器学习方法

回归算法通常用于预测一个值，如预测房价、未来的天气情况等。例如，某种产品的实际价格为500元，通过回归分析，预测值为499元，我们认为这是一个比较好的回归分析。

回归算法

所谓回归算法，就是用于预测一系列连续数值的机器学习算法。

一种比较常见的回归算法是线性回归算法。回归是对真实值的一种逼近预测。我们有很多算法去完成回归问题。很多的分类算法都提供有回归的版本。作为有监督学习的一种，回归算法与分类算法并无太大区别。唯一的区别在于我们能看到问题的回归。接下来，列举几种回归算法。

其中，线性回归于20世纪90年代产生，是速度最快的回归算法。在之后的发展中，神经网络兴起，使得回归问题可以使用更加复杂的建模方式。这使得我们可以对于更加复杂的趋势进行预测。例如，我们使用神经网络回归算法来预测天气。

人工智能在预测天气的过程中，首先将天气信息数据进行总结，然后将这些数据输入计算机进行学习。计算机的学习结果就可以用于天气预报工作。

这仅是天气预报的训练过程。预测过程比训练过程简单一些，只要将天气数据输入计算机进行计算，就可以推测接下来的天气了。当然，最终结果需要气象专家来确认。(www.xing528.com)

这里有两个概念需要解释，一个是训练过程，另一个是预测过程。几乎所有机器学习均需要经历训练过程和预测过程。训练是将采集到的数据输入计算机，并让其学习其中知识的过程；预测过程是将所得知识直接用于预测的过程。这两个过程有很高的重合度，但训练过程通常更复杂，是机器学习的核心。在应用中，我们通常更加关心算法的预测过程，因为预测过程才是我们使用机器学习算法的最终目标。我们之所以要使用机器学习，正是因为机器学习可以从数据中发现知识，并将所得知识用于生产实践的过程。机器学习就是将二者进行有机结合。

训练

训练，是指采集数据并输入计算机，让计算机通过算法来学习数据中所蕴含的规律的过程。

预测

预测过程就是将所得规律用于生产实践的过程。

训练过程和预测过程通过知识来进行有机结合，我们可以将这种知识进行保存。