线性回归的进阶技巧 ✅
线性回归是基础，但通过以下优化可提升效果：
- 正则化：通过L1/L2惩罚项防止过拟合
- 特征工程：创建多项式特征或交互项
- 标准化：使用Z-score标准化处理异方差性
岭回归（Ridge Regression） ⚠️
适用于多重共线性问题，通过L2正则化：
- 在损失函数中添加权重系数平方和
- 保持参数稳定性，减少方差
- 适合高维数据预处理
Lasso回归 🌐
基于L1正则化的稀疏性优势：
- 自动进行特征选择
- 生成可解释性强的模型
- 对噪声特征更敏感
弹性网络（ElasticNet） 🔄
结合L1和L2正则化的折中方案：
- 通过参数α控制正则化强度
- 保留特征选择能力的同时避免极端稀疏
- 适合强相关特征场景
💡 扩展阅读：机器学习中的正则化技术 详解不同回归方法的适用场景