数学建模回归模型有哪些

数学建模中的回归模型有多种，常见的包括以下几类：

1. 线性回归模型（Linear Regression）：最简单的回归模型之一，假设自变量与因变量之间存在线性关系。

2. 多项式回归模型（Polynomial Regression）：在线性回归模型基础上，引入高次项构建多项式回归模型，可以更好地拟合非线性关系。

3. 岭回归模型（Ridge Regression）：通过添加一个正则化项（L2正则化）来限制模型的复杂度，防止过拟合。

4. Lasso回归模型（Lasso Regression）：同样是通过正则化，但采用的是L1正则化，可以实现特征选择，即自动选择对结果影响较大的特征。

5. Elastic Net回归模型（Elastic Net Regression）：结合了岭回归和Lasso回归的方法，既可以控制模型复杂度，又可以进行特征选择。

6. Logistic回归模型（Logistic Regression）：用于二分类问题的回归模型，通过对线性组合的结果进行sigmoid函数映射，得到概率值。

7. 非线性回归模型（Nonlinear Regression）：假设自变量与因变量之间存在非线性关系，可以通过引入非线性函数拟合数据。

以上是常见的数学建模回归模型，根据实际问题的特点和数据的分布选择适合的模型进行建模。