回归模型重要的基础或者方法就是回归分析，回归分析是研究一个变量（被解释变量）关于另一个（些）变量（解释变量）的具体依赖关系的计算方法和理论， 是建模和分析数据的重要工具。

常见的回归分析模型有：线性回归，逻辑回归，多项式回归，逐步回归。

线性回归：线性回归使用最佳的拟合直线（也就是回归线）在因变量（Y）和一个或多个自变量（X）之间建立一种关系。

逻辑回归：逻辑回归是用来计算“事件=Success”和“事件=Failure”的概率。当因变量的类型属于二元（1 / 0，真/假，是/否）变量时，我们就应该使用逻辑回归。

多项式回归：对于一个回归方程，如果自变量的指数大于1，那么它就是多项式回归方程。即：

y=ax^2+bx+c,它是一个用于拟合数据点的曲线。

逐步回归：通过观察统计的值，如R-square（拟合度，越接近1越好），t-stats和AIC指标（寻找可以最好地解释数据但包含最少自由参数的模型，越小越好），来识别重要的变量。即通过同时添加/删除基于指定标准的协变量来拟合模型。

运行stat_smooth（）函数并设定method=lm，即可向散点图添加线性回归分析拟合线。

例：我们使用R语言自带数据集heightweight