wiki 說明頁：迴歸分析

想了解詳細的說明，請見wiki或者其他參考資料。

或者也可以直接看下面，自己對關於回歸的簡單概念說明。

迴歸分析的本身來自統計學，統計學又是來自數學的延伸，所以模型運算其實背後就是做一堆數學運算，這一點也不違和，反倒是非常自然。

到這裡，其實我們也可以理解成作ML訓練模型，就是利用程式的方式輔助做一堆數學運算，得到一個數學運算後的結果/函式。

既然是這樣，那用手算人腦算可不可行？其實以簡單的回歸模型來說，還真的可以。

不過就像用計算機做加減乘除，和手算加減乘除一樣，基本上用手算會非常辛苦。

做迴歸分析的話，最簡單入門的做法就是一次方程式，例如說：

範例1

y = ax + b1

範例2

y = aX1 + bX2 + cX3 + dX4 ......

y = 我們想要的結果 = `應變數` = 受自變數影響而變化的值

x ,X1, X2, X3, X4 = 參數/特徵值 = `自變數`

a,b,c,d = `係數` = 每個參數的權重(影響力)

b1 = `截距` = 數值的起點 

截距，這個名詞不用太陌生，譬如說一般成年男性可能從158公分開始往上加(借用服兵役的入伍標準)，那資料範圍大概就在158~200之類的，而不是從0開始，158就是基本值的概念。

假設在我們商品最低消費的單位是10元，那麼如果過去一個小時內我們有100張訂單，我們也可以預期訂單總金額至少在1000元以上對吧？

如果我們訓練的迴歸模型，如了參數(自變數)可以自行決定以外，那些係數(權重)要怎麼給出一個數值呢？

所謂的訓練，簡單的可以理解，就是為了找出這些係數，更進階的一點，可以說是為了確定這些參數是不適用，或者使用的函式本身(上面的例子就是一元方程式)能不能適用，亦或者需要換成別種方程式。