线性回归，逻辑回归，套索回归，岭回归，核岭回归，弹性网络，支持向量机，k近邻回归，决策树回归，极端随机树，装袋法，随机森里，adaboost，gbrt，xgboost，lightgbm的适宜性说明

这些模型都是机器学习中常用的回归模型，适用于不同的数据集和问题。

1. 线性回归：适用于数据线性可分的情况，模型简单，易于理解和解释。

2. 逻辑回归：适用于二分类问题，可以处理非线性可分的数据，具有很好的可解释性和可解释性。

3. 套索回归：适用于稀疏数据集，能够进行特征选择，避免过拟合。

4. 岭回归：适用于高维数据集，能够进行特征选择和降维，对于共线性数据具有很好的表现。

5. 核岭回归：适用于非线性数据集，可以通过核函数将数据映射到高维空间进行分类或回归。

6. 弹性网络：综合了L1正则化和L2正则化的优点，适用于高维数据集和共线性数据。

7. 支持向量机：适用于非线性可分数据集，通过核函数将数据映射到高维空间进行分类或回归。

8. k近邻回归：适用于数据分布不规则的情况，能够捕捉数据的局部特征。

9. 决策树回归：适用于结构化和非结构化数据集，能够进行特征选择和解释。

10. 极端随机树：适用于高维数据集和大数据集，能够降低过拟合的风险，提高了模型的泛化能力。

11. 装袋法：适用于高维数据集和大数据集，能够降低过拟合的风险，提高了模型的泛化能力。

12. 随机森林：适用于高维数据集和大数据集，能够降低过拟合的风险，提高了模型的泛化能力。

13. adaboost：适用于高维数据集和大数据集，能够降低过拟合的风险，提高了模型的泛化能力。

14. gbrt：适用于结构化和非结构化数据集，能够进行特征选择和解释。

15. xgboost：适用于高维数据集和大数据集，能够降低过拟合的风险，提高了模型的泛化能力。

16. lightgbm：适用于高维数据集和大数据集，能够降低过拟合的风险，提高了模型的泛化能力，并且具有较快的训练速度。