1.1 通俗的理解:　　统计学讲回归 就是一堆数据画到一个画像上,实际上有一个真实图像 但是你从数据得到的图像和真实的图像不一致，通过数据越来越多，图像就回到了真实的图像了，这就是回归。　　通过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。

1.2 回归的定义

　　回归，指研究一组随机变量(Y1 ，Y2 ，…，Yi)和另一组(X1，X2，…，Xk)变量之间关系的统计分析方法，又称多重回归分析。通常Y1，Y2，…，Yi是因变量，X1、X2，…，Xk是自变量。

1.3 回归分析(Regression analysis) 　　分析自变量与因变量之间定量的因果关系，并用回归方程来表示。

　　结合1.1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。

　　回归分析是建立一种数学模型。

　　当函数为参数未知的线性函数时，称为线性回归分析模型；当函数为参数未知的非线性函数时，称为非线性回归分析模型。当自变量个数大于1时称为多元回归，当因变量个数大于1时称为多重回归。

1.4 回归的分类　　

　　回归主要的种类有：线性回归、曲线回归、二元logistic回归、多元logistic回归。

　　最简单的情形是一元线性回归，由大体上有线性关系的一个自变量和一个因变量组成；模型是Y=a+bX+ε（X是自变量，Y是因变量，ε是随机误差）。

所谓的回归分析,即是根据 一组数据 来预测关系式，将该关系式作为数学模型; 然后再用另外的数据根据该模型进行拟合。

回归分析则要分析现象之间相关的具体形式，确定其因果关系，并用数学模型来表现其具体关系。

一般来说，回归分析是通过规定因变量和自变量来确定变量之间的因果关系，建立回归模型，并根据实测数据来求解模型的各个参数，然后评价回归模型是否能够很好的拟合实测数据；如果能够很好的拟合，则可以根据自变量作进一步预测。

references:

http://blog.sina.com.cn/s/blog_7445c2940102wln5.html

https://baike.baidu.com/item/%E5%9B%9E%E5%BD%92/10412815?fr=aladdin