回归任务旨在机器学习中预测连续数值的目标，而神经网络凭借其卓越的非线性拟合能力，已成为解决回归问题的核心工具。本教程将系统梳理8类主流神经网络模型，深入剖析它们在回归任务中的工作原理、适用场景与核心优势，助你快速掌握选型策略。

1. 基本神经网络（MLP）

基本神经网络，即多层感知器（MLP），是一种经典的前馈神经网络。其结构包含：

• 输入层：接收原始特征数据
• 隐藏层：通过激活函数对数据进行非线性变换（一个或多个）
• 输出层：生成最终的连续数值预测结果

各层神经元之间通过可学习的权重矩阵连接，数据从输入层流向输出层。

在回归中的应用

• 优势：在数据量较小的回归任务中，MLP往往能快速收敛并取得理想效果，结构简单、易于实现。
• 局限：处理大规模数据集时易出现过拟合与梯度消失问题。