请解释数据挖掘领域中的回归分析定义，并列举几种常用的回归算法。

回答思路

1. 【回答框架 1】回归分析是一种统计建模方法，用于研究因变量与一个或多个自变量之间的关系，通过拟合函数来预测连续型目标变量，核心是找到最佳拟合曲线以最小化预测误差。
2. 【回答框架 2】常见回归算法包括线性回归（如最小二乘法）、多项式回归、岭回归、Lasso回归、逻辑回归（用于分类但常被提及）、决策树回归、随机森林回归、支持向量回归（SVR）以及神经网络回归等。
3. 【回答框架 3】选择算法时需考虑数据线性关系、特征数量、过拟合风险、可解释性需求及计算资源；线性回归适合线性关系，正则化方法处理多重共线性，树模型处理非线性与交互作用。
4. 【回答框架 4】评估回归模型常用指标有均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）和R平方（R²），需结合业务场景选择。
5. 【关键点 1】回归分析预测连续数值型目标变量。
6. 【关键点 2】线性回归是最基础算法，假设自变量与因变量线性相关。
7. 【关键点 3】正则化方法（岭回归、Lasso）可缓解过拟合。
8. 【关键点 4】树模型与SVR能处理非线性关系。
9. 【关键点 5】模型评估需使用MSE、R²等指标。
10. 【易错点 1】混淆回归与分类：回归输出连续值，分类输出离散类别。
11. 【易错点 2】忽略数据预处理（如标准化）导致模型性能下降。
12. 【易错点 3】过度依赖单一评估指标，忽视业务实际需求。