本节介绍回归模型的训练与评估，包括数据拆分、训练过程和模型评估。以线性回归预测温度与冰淇淋销量的关系，并计算MAE、MSE和R²等误差指标。优化模型可通过增加特征、尝试不同算法和调整超参数。

本研究提出了一种利用卫星图像中阴影长度估计建筑高度的新方法。该方法结合建筑位置和阴影长度的回归模型，解决了单视图图像导致的三维信息丢失问题。实验结果表明，该方法在42个城市的评估中优于现有技术。

本研究采用概率矩阵分解方法，解决了传统回归模型无法捕捉攀岩者多样化能力的问题，从而显著提高了专业抱石比赛的表现预测准确性。

本研究探讨了对抗性文本与人类感知之间的差距，提出了“人类可疑性”概念。通过分析人类对对抗性句子的反应，创建了新数据集并开发回归模型，以量化可疑性，提升对抗性文本生成的信任度。

本研究解决了数据格式不兼容导致的模型训练差异问题。通过在HelpSteer2数据集中添加偏好注释，首次公平比较了Bradley-Terry和回归模型，并提出结合两者的新方法。实验结果显示，该方法调优的模型在多个奖励模型中表现优异，具有显著效果和应用潜力。

本文介绍了多个结合机器学习与优化的新框架和方法，包括SPO框架、Predict-then-Optimize方法及<projektor>框架。这些方法通过优化模型设计和数据选择，显著提升了预测性能和决策效果，尤其在超参数优化和回归模型中表现突出。

该论文提出了一种基于回归模型的方法，通过提取文本查询中的语义短语，反映查询与视频视觉特征的双模态交互，显著提高了时态动作定位的预测效果。研究表明，该方法在多个数据集上优于现有技术，并提出了新的边界回归范式和视觉-语言预训练模型，验证了其有效性。

本文提出了一种基于样本拆分的元算法，结合正交随机森林和非参数校准方法，以提高回归模型的估计精度和校准性能。实证分析表明，该算法在处理复杂干扰参数时有效，并能在高维变量集下控制超额风险。

本文探讨了回归模型的普适能力，提出了加权最小二乘优化方法和自适应重新加权技术，以提高模型在噪声数据下的泛化能力和公平性。研究还涉及基于加权支持向量机的稀疏学习方法和软置信度加权在线学习，旨在解决数据不平衡和非可分离问题，实验结果表明这些方法在准确性和计算效率上表现优越。

本文提出了一种名为“Exit Predictor”的早期预测机制，可以降低设备边缘混合推理系统中早期退出网络的设备计算负担。通过回归模型调整预测阈值和置信度阈值，以适应不同带宽条件下推理的需求。实验结果表明，该方法具有更高的推理准确性。

研究提出了一种名为SIWNet的深度学习回归模型，能够从摄像头图像中准确估计道路表面摩擦特性。SIWNet的预测区间估计功能良好，与之前的最先进模型在点估计准确度上相当，且SIWNet的架构轻量化了几倍，更适合实际部署和高效使用。

该文介绍了一种使用计算成本较低的回归模型来逼近基于分数解释技术的输出的方法，并提出了几种非一致性度量方法来考虑解释逼近的困难程度。该方法可以显著提高执行时间，同时产生紧密的区间，并允许比较不同逼近方法的解释。

该研究提出了一种名为SIWNet的深度学习回归模型，能够从摄像头图像中准确估计道路表面摩擦特性。该模型引入了一个额外的头部来估计预测区间，并通过最大似然损失函数进行训练。研究结果表明，SIWNet的预测区间估计功能良好，与之前的最先进模型在点估计准确度上相当，且SIWNet的架构比之前的模型轻量化了几倍，更适合实际部署和高效使用。

该论文提出了一种基于回归模型的方法，使用语义短语提取中间特征，以反映查询中描述的重要语义实体和视频的视觉特征之间的交互，通过利用上下文信息，有效地预测目标时间区间。实验证明，该方法在两个数据集上的表现明显优于现有方法。