包括以下几种线性回归。

1. 线性回归用于预测连续值的输出，如房价预测，它通过找到最佳拟合直线来描述输入和输出之间的关系。

2. 逻辑回归用于分类问题，特别是二分类问题，如判断邮件是否为垃圾邮件，它通过逻辑函数将线性回归的结果映射到区间表示概率。

3. 支持向量机用于分类和回归问题，通过找到最优超平面来最大化分类间隔。

4. 调速贝叶斯基于贝叶斯定理的分类算法，假设特征之间相互独立，常用于文本分类和垃圾邮件过滤。

5. 决策术通过树状结构进行分类或回归，每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶结点代表一种类别或输出值。

6.kg 零算法一种简单且有效的分类和回归算法，通过计算新数据点与训练集中所有数据点的距离来进行预测。

7. 随机森林一种集成学习方法，通过构建多个决策树并取其平均值来进行预测，常用于分类和回归任务。

8. 神经网络模拟人脑神经元网络的计算模型，通过多层神经元进行复杂的非线性映射，常用于图像识别和自然语言处理。

9. 梯度提升如 gbdt 和 xgboost，通过迭代的训练弱学习器来逐步减少误差，常用于回归和分类任务。

这些算法在不同的应用场景中各有优劣，选择合适的算法需要根据具体问题的需求和数据特性来决定。