用途：基于输入特征预测连续目标值，建立变量间的定量关系，用于预测、趋势预测与影响分析。
主要能力：支持线性回归、多项式回归、Ridge（L2）、Lasso（L1）、ElasticNet、Huber 等稳健回归；评估指标包括 R²、RMSE、MAE、AIC/BIC；可做交叉验证、正则化参数调优、残差分析与预测区间。
使用方式：资料给出 Python 示例，使用 pandas、numpy、matplotlib、scikit-learn、seaborn，必要时用 statsmodels 计算 VIF；流程为划分训练测试集、拟合模型、计算指标、可视化残差并调参；未给出安装命令。
适用场景：预测销售、价格等连续数值；理解自变量与因变量关系；基于历史数据预测趋势；量化特征影响；建立基线模型以便与复杂算法比较；识别影响预测的变量。
模型选择建议：简单数据用线性回归，非线性用多项式，多特征用 Lasso 或 ElasticNet，含异常值用稳健回归，防过拟合用 Ridge 或 ElasticNet。
限制：需检查线性、独立性、同方差、误差正态和无多重共线性等假设；资料未说明平台、收费或具体安装步骤。