现在这篇文章只是一个提纲部分，后续会逐渐完善，但最后会是一篇综述的形式，因为示例部分内容过多，篇幅会过长，所以会以链接的形式呈现，具体内容在另外的博文中介绍。核心是sklearn库，但是sklearn官网给的示例都比较简单，我会选择一些更符合实际的例子来介绍这些功能。

一、Linear Regression线性回归

     1.简述

        这里的线性回归主要是指用普通最小二乘法拟合数据，因为无论是多项式回归，还是岭回归、套索回归等都是对普通最小二乘法(OLS)的改进，解决OLS过度拟合的问题。

     2.数学公式      

     3.函数及其部分参数及返回值说明

     4.示例     

      1）scipy中的最小二乘法

       机器学习：Python中如何使用最小二乘法

      2）sklearn.linear_model中的最小二乘法

      机器学习：scipy和sklearn中普通最小二乘法与多项式回归的使用对比

二、Logistic Regression 逻辑回归

     1.简述

     2.数学公式

     3.函数及其部分参数及返回值说明

     4.示例

      机器学习：从编程的角度去理解逻辑回归

三、Polynomial Regression 多项式回归

     1.简述

     2.数学公式

     3.函数及其部分参数及返回值说明

     4.示例     

        1）scipy中的多项式回归

        机器学习:形如抛物线的散点图在python和R中的非线性回归拟合方法

        2）sklearn中的多项式回归

       机器学习：scipy和sklearn中普通最小二乘法与多项式回归的使用对比

四、Stepwise Regression 逐步回归

     1.简述

     2.数学公式

     3.函数及其部分参数及返回值说明

     4.示例

五、Ridge Regression 岭回归

     1.简述

     2.数学公式

     3.函数及其部分参数及返回值说明

     4.示例

六、Lasso Regression 套索回归

     1.简述

     2.数学公式

     3.函数及其部分参数及返回值说明

     4.示例

     机器学习：以分析红酒口感为例说明交叉验证的套索模型

七、ElasticNet回归

     1.简述

     2.数学公式

     3.函数及其部分参数及返回值说明

     4.示例