乘回归 (PLS)

乘回归并非标准机器学习教科书中定义的独立算法名称，而是对“乘法回归”或“基于乘法机制的回归模型”的通俗表述。在严谨的学术语境下，它通常指代利用乘法操作（如多项式展开、交互项构建或神经网络中的激活函数）来引入非线性特征的回归方法。其核心在于通过变量间的乘积关系打破线性假设，从而在保持模型可解释性的同时，显著提升对非线性数据分布的拟合能力，是连接线性统计与复杂非线性建模的重要桥梁。

在现代计算架构与机器学习生态中，乘回归扮演着从线性基线迈向非线性建模的关键角色。它不是一种孤立的“黑盒”模型，而是一种建模思想或技术路径，广泛应用于特征工程、正则化策略及深度神经网络的基础构建中。相较于直接调用复杂的非线性模型（如随机森林或深度神经网络），乘回归提供了一种更透明、可解释且计算成本可控的非线性拟合方案，特别适用于中小规模数据集及需要明确特征交互效应的场景，是构建高性能回归系统不可或缺的底层技术组件。