这不是真的。回归算法的数量与机器学习中的分类算法相似。大多数分类算法都有对应的回归：有 -NN 和 -NN 回归，SVM 和 SVR 用于回归，分类的随机森林构建或回归树，XGBoost 可用于这两个任务，有无限数量的回归神经网络等$k$$k$

当目标是预测连续变量时，机器学习文献中是否有一些见解远离使用 OLS 的线性回归？

除了标准 OLS 之外，还有许多方法可以对连续数据进行建模。除了 OLS 之外，甚至还有线性回归方法（其中之一是 TLS/Deming 回归）。其他经典方法包括 GLMs、GAMs、分位数回归。正则化回归也修改了 OLS 惩罚，因此不是“只是”OLS。

我不知道为什么您认为没有机器学习的帮助，统计数据还没有超越 OLS。也许阅读统计学习的介绍会很有用。

IMO，深度学习属于机器学习范畴，因为它是深度机器学习，而不是“浅层”机器学习方法（例如，OLS、KNN、SVM、随机森林）。

深度学习和人工神经网络可用于回归问题，为您添加另一个 OLS 替代路径。请记住，您拥有的特征/变量越多，训练所需的数据点就越多，运行训练所需的计算资源也就越多。这里有一些很好的起点：

1) https://machinelearningmastery.com/regression-tutorial-keras-deep-learning-library-python/

2) https://www.tensorflow.org/tutorials/keras/regression