量回归 (SVR)

在机器学习与算法领域，不存在名为‘量回归’的独立技术，该名称极大概率是‘线性回归’（Linear Regression）的笔误或语音识别错误。线性回归作为统计推断与监督学习的基石，旨在通过拟合一条直线（或多维超平面）来量化输入特征与输出目标之间的线性依赖关系。其数学基础源于最小二乘法原理，通过最小化预测值与真实值之间的残差平方和来优化模型参数，广泛应用于预测分析、趋势估计及因果推断等场景。

线性回归在现代计算架构中扮演着基础模型与特征工程验证工具的双重角色。作为最基础的回归算法，它不仅是构建更复杂模型（如逻辑回归、神经网络）的起点，也是进行特征重要性评估、异常检测及数据清洗的关键手段。尽管其假设条件严格（如线性可分、同方差性、无多重共线性），但在实际工程中，常通过正则化（Lasso/Ridge）或预处理技术（标准化、多项式特征）来增强鲁棒性，使其成为数据科学工作流中不可或缺的第一道防线。