本文转载自：http://blog.sina.com.cn/s/blog_7445c2940102wln5.html

对于定性了解“回归”有一定帮助，故转载收藏，以下为正文：

首先，特别要说明的是，本文偏重于定性分析，而不是定量的分析。文中涉及的大部分内容没有经过严格的论证和考证。在此，本文只是给出一些概念上的解释，以达到帮助理解的目的。如果，要具体了解模型形式还是要去翻翻书本。

----------------------------------------------分割线-----------------------------------------

回归（Regression）就像最小二乘（LS）一样，又是一个出镜率极高的​专业（晦涩）词汇。经常出现在各种领域，如机器学习的最小二乘线性回归，逻辑回归等等；系统辨识的自回归模型（AR）、移动平均自回归模型（ARMA）、ARMAX、NARMAX等等。可见回归是这么多算法的根基，那么到底什么是回归呢？

​从百度上找到了三种解释：

他这里面说的是回归分析的作用，可以用于模型拟合。同时，表明了回归的含义是让数据回归到模型中。总感觉这个解释有些牵强。

这里面说了回归这个词的由来（没考证过，就当是真的）。这里面少说了一个概念，就是所有人的平均身高。也就是随着一代一代的繁衍，孩子的平均身高会回归到所有人的平均身高的水平。

​这个解释是我觉得最靠谱的解释，合理的揭示了回归的含义——用观察使得认知接近真值的过程，回归本源。

​在我们认知（测量）这个世界的时候，我们并不能得到这个世界的全部信息（真值），只能得到这个世界展现出的可被我们观测的部分信息。那么，如果我们想得到世界的真值，就只能通过尽可能多的信息，从而使得我们的认识，无限接近（回归）真值。

其中，真值的概念是一个抽象的概念（感觉是从统计学中给出的）。真值是真实存在于这个世界的，但是却又永远无法真正得到。因为，无论是受限于我们自身的认知水平，还是测量手段，都会存在偏差，导致无法得到真值。就像海森堡测不准原理一样，永远不可能知道一个确定的真值。再说的扯一点，真值就是我们中国人常说的道。

所谓回归分析，是分析自变量与因变量之间定量的因果关系，并且用回归方程描述。

结合上面所说的回归的含义，我们可以重新对回归分析进行解释。也就是，通过更多的数据（自变量和因变量），使得回归方程的参数更加准确，更能精确地描述自变量和因变量之间的关系。这里的真值是什么呢？就是自变量和因变量之间的关系。我们的认知又是什么呢？就是回归方程的参数。

而这里引入了一个新的概念——因果性。因果性关注的其实就是因和果之间的关系。那么回归分析完成的就是，让我们现有的认知无限接近因和果之间的关系。这里面的因果是一种空间上的因果，而时间上的因果可见后面的自回归（AR）。

由此，我们又可以看出，真值的表现可以通过关系的形式表现。它并不是存在那里的一个向量，而是描述向量之间的关系。就像我们的大脑一样，我们的大脑中并没有一个像电脑一样的存储介质​​来存储记忆。而是，通过数量众多的神经元，组成的繁杂的神经元网络中的联系（关系）来存储的。

3.1线性回归（linear Regression）

以线性形式描述回归方程。

3.2自回归（Auto Regression，AR）

因变量和自变量都为同一个​变量的回归方法（我一直好奇为什么不叫SelfRegression，还省得跟当下大火的增强现实搞混）。

----------------------------------------2016.9.16未完待续----------------------------------​