在大數據分析中，回歸分析是壹種預測性的建模技術，它研究的是因變量（目標）和自變量（預測器）之間的關系。這種技術通常用於預測分析，時間序列模型以及發現變量之間的因果關系。例如，司機的魯莽駕駛與道路交通事故數量之間的關系，最好的研究方法就是回歸。
方法
有各種各樣的回歸技術用於預測。這些技術主要有三個度量（自變量的個數，因變量的類型以及回歸線的形狀）。
1. Linear Regression線性回歸
它是最為人熟知的建模技術之壹。線性回歸通常是人們在學習預測模型時首選的技術之壹。在這種技術中，因變量是連續的，自變量可以是連續的也可以是離散的，回歸線的性質是線性的。
線性回歸使用最佳的擬合直線（也就是回歸線）在因變量（Y）和壹個或多個自變量（X）之間建立壹種關系。
多元線性回歸可表示為Y=a+b1*X +b2*X2+ e，其中a表示截距，b表示直線的斜率，e是誤差項。多元線性回歸可以根據給定的預測變量（s）來預測目標變量的值。
2.Logistic Regression邏輯回歸
邏輯回歸是用來計算“事件=Success”和“事件=Failure”的概率。當因變量的類型屬於二元（1 / 0，真/假，是/否）變量時，應該使用邏輯回歸。這裏，Y的值為0或1，它可以用下方程表示。
odds= p/ (1-p) = probability of event occurrence / probability of not event occurrence
ln(odds) = ln(p/(1-p))
logit(p) = ln(p/(1-p)) =b0+b1X1+b2X2+b3X3....+bkXk
上述式子中，p表述具有某個特征的概率。妳應該會問這樣壹個問題：“為什麽要在公式中使用對數log呢？”。
因為在這裏使用的是的二項分布（因變量），需要選擇壹個對於這個分布最佳的連結函數。它就是Logit函數。在上述方程中，通過觀測樣本的極大似然估計值來選擇參數，而不是最小化平方和誤差（如在普通回歸使用的）。
3. Polynomial Regression多項式回歸
對於壹個回歸方程，如果自變量的指數大於1，那麽它就是多項式回歸方程。如下方程所示：
y=a+b*x^2
在這種回歸技術中，最佳擬合線不是直線。而是壹個用於擬合數據點的曲線。
4. Stepwise Regression逐步回歸
在處理多個自變量時，可以使用這種形式的回歸。在這種技術中，自變量的選擇是在壹個自動的過程中完成的，其中包括非人為操作。