diff --git a/assets/1604758792278.png b/assets/1604758792278.png
new file mode 100644
index 0000000..ebc85e3
Binary files /dev/null and b/assets/1604758792278.png differ
diff --git a/assets/1604760128188.png b/assets/1604760128188.png
new file mode 100644
index 0000000..067cc41
Binary files /dev/null and b/assets/1604760128188.png differ
diff --git a/必备数学基础.md b/必备数学基础.md
index c1bc919..c976f67 100644
--- a/必备数学基础.md
+++ b/必备数学基础.md
@@ -759,3 +759,64 @@ Sigmoid没有负数，都是大于0的，当梯度更新的时候，要么全为
 
 > 可以看到max里面最小值是0.01x，也就是不会直接杀死
 
+
+
+### 回归分析
+
+#### 概述
+
+> 相关分析是研究两个或多个以上的变量之间相关程度及大小的一种统计方法。
+>
+> 回归分析是寻找存在相关关系的变量间的数学表达式，并进行统计推断的一种统计方法。
+
+在对回归分析进行分类时，主要有两种分析方式：
+
+- 根据变量的数目，可以分类一元回归、多元回归
+- 根据自变量与因变量的表现形式，分为线性和非线性
+
+所以回归分析包括四个方向：一元线性回归分析、多元线性回归分析、一元非线性回归分析、多元非线性回归分析
+
+![1604746129638](assets/1604746129638.png)
+
+> 曲线上的点，叫估计值（预测值），观测值也是真实值，观测值和估计值之间的差异叫残差。我们希望这个残差越小越好
+
+回归分析的一般步骤：
+
+- 确认回归方程中解释变量和被解释变量
+- 确定回归模型建立回归方程
+- 对回归方程进行各种校验
+- 利用回归方程进行预测
+
+#### 回归方程的定义
+
+- 因变量：被预测或被解释的变量，用y表示
+- 自变量：预测或解释因变量的一个或多个变量，用x表示
+- 对于具有线性关系的两个变量，可以用一个方程来表示它们之间的线性关系
+- 描述因变量y如何以来自变量x和误差项ε的方程称为回归模型。
+
+对于只涉及一个变量的一元线性回归模型可表示为：
+
+![1604758792278](assets/1604758792278.png)
+
+- y因变量
+- x自变量
+- β0表示截距
+- β1表示斜率
+- ε表示误差项，反映除x和y之间的线性关系外的随机因素对y的影响
+
+如何求出β0和β1
+
+一元例子：
+
+- 人均收入是否会影响人均食品消费支出
+- 贷款余额是否影响到不良贷款
+- 航班正点率是否对顾客投诉次数有显著影响
+
+**回归方程**
+
+描述因变量y的期望值入喝依赖于自变量x的方程称为回归方程。根据一元线性回归模型的假设，可以得到它的回归方程为：
+
+![1604760128188](assets/1604760128188.png)
+
+- 如果回归方程中的参数已知，对于一个给定的x值，利用回归方程就能计算出y的期望值
+- 用样本统计量代替回归方程中的未知参数，就得到估计的回归方程，简称回归直线
\ No newline at end of file