在咱们实际干活的时候，听说回归这事儿，往往比教科书上讲的那些事儿要复杂得多，也更有味道。大量人一上来就翻旧书，找那些“自相矛盾”的引用来搞混淆，结局愣是把事件给搞晕了。
实际上这话不对，回归最核心的意思就一条：拿一个已经跟目标变量跟上的变量，去跟目标变量本身比一比，差异到底在哪儿。 就拿咱们最常用的线性回归来说吧，它就是个“解渴”的模型。
说白了，就是拿一个跟目标变量高度相关的变量当“水”，往杯子里倒，看这杯子里的水是不是确实咸了。
比如咱们想预测房价，房价跟面积肯定相关系，但房价跟距离地铁站的距离也相关系。
这时候，咱们就能够用“距离地铁站的距离”这个变量，去跟“房价”这个目标值比一比。你会发现，同一个变量（距离），它作为自变量，它作为因变量，结局不一样。
这就验证了它跟目标变量相关性不一样，要么说它跟目标变量有差异。 举个具体的例子，假设咱们在研究一个小区的房子价格。咱们发现，房子的面积越大，价格越高。
那咱们能不能直接拿房子面积去跟房价做对比呢？这彻底OK，出于这俩变量表现得忒像了。可要是咱们换个思路，拿“距离地铁站的距离”去跟房价做对比，结局呢？你会发现，离地铁站越近的房子，价格一般越高。
这时候，咱们用“距离地铁站”这个变量去跟房价比，它跟房价相关性确实不一样了，要么说它跟房价有差异。
这就构成了回归模型的根本逻辑：就是看一个变量，它跟目标变量到底是沾上了点，还是彻底脱了轨。 实际上，大量人就认定回归就是好办的线性方程啦，这实际上是个大误区。回归的本质不是为了写出最完美的公式，而是为了搞清楚变量之间的关系到底长啥样。
有时候，咱们写的公式看着挺整，但代入数据一看，结局全是负数，要么跟常识背道而驰，这时候就要停下来琢磨：是不是公式写错了？
是不是数据有难题？
是不是咱们理解错了变量跟目标之间的关联？ 还有一个事儿得提，回归模型它不是万能的，它也有它的弱点。
比方说，要是咱们想用“身高”去预测“身高”，这模型肯定跑不通，出于身高跟身高忒像了，相关性忒高了，线性的关系也就存有于一个点上了。
这时候，咱们就得换个思路，比如用“身高”去预测“腰围”，要么用“腰围”去预测“身高”，这时候模型可能就行得通。
这就是回归最了得的地方，它不是一刀切的，是看变量之间到底能不能形成线性的关系。 也就是说，回归就是个“找茬”的过程。它拿一个已经跟目标变量跟上的变量，去跟目标变量本身比一比，看看它们之间到底有没有啥关系。
要是关系明显，那咱们就能写出个公式来；要是关系不明显，要么关系忒怪，那咱们就得赶紧换思路，要么重新审视一下咱们用的数据。 最终得说句大实话，回归这事儿，最费事的不是推导公式，而是数据要准。你要是拿错了变量，拿错了数据，那再好的模型也是白搭。
故此，在实际工作中，咱们得有个“试错”的心态，先跑通个线性模型，看看结局咋样，再根据结局调整模型结构，要么干脆换两个变量再试一次。
这就是回归的价值所在，它不是为了炫技，而是为了把那些乱七八糟的变量关系给理一理顺。
