您可能正在寻找回归，无论是线性的还是非线性的，这通常是指一组可用于预测连续（或数值）值（所谓因变量的值）的方法，给定一个或更可能的数值（自变量的值）。（另一个常见任务称为分类，其中结果变量是离散的。）

因变量和自变量也可以是向量。在这种情况下，它被称为多元线性或非线性回归。如果有多个自变量（或，也称为预测变量），则称为多变量（或多重）线性或非线性回归。参见，例如，多变量或多变量回归？（2013），伯莎·伊达​​尔戈和旋律古德曼。

在线性回归中，因变量被假定为自变量的线性组合，而在非线性回归中，因变量被假定为非线性组合（即任何非线性组合或关系）。

自变量（或预测变量）实际上不需要相互独立，当然，因变量也不需要独立于预测变量（否则您将无法预测因变量的值，给定预测变量），因此表达式预测变量可能比自变量更合适。参见，例如，在回归分析中，为什么我们称自变量为“独立的”？, 弗兰克·哈雷尔。但是，假设因变量依赖于自变量，因此您可以将自变量视为不是因变量的变量（如果这有助于您记住这个概念）。

因变量和自变量有更多同义词，具体取决于上下文或区域。例如，预测变量（或自变量）也可以称为协变量、回归变量或解释变量。因变量也可以称为回归变量、结果变量或可解释变量。

还有其他类型的回归模型。特别是广义回归模型（GLM），它（顾名思义）是几个回归模型的泛化。著名的逻辑回归（结果实际上是二项式或二元式，因此是离散的）是广义回归模型的应用，其中链接函数（这是在 GLM 上下文中使用的概念）是logit 函数。例如，参见为什么逻辑回归是线性模型？. 请注意，线性回归也是 GLM 的一种应用。另见本文1.1。广义线性模型，它为您提供不同 GLM 的概述。

还请查看这篇文章选择正确的回归分析类型，它提供了一些指导方针来帮助您为您的任务选择最合适的回归模型。

例如，在 Python 中，您可以使用sklearn.linear_model.LinearRegression. Python 库sklearn提供了其他几个回归器。例如，sklearn.ensemble.AdaBoostRegressor或sklearn.ensemble.RandomForestRegressor。（当然，在调用它们的方法时，您将需要一个训练数据集来训练这些回归器fit）。