1.统计模型法
  （1）计算变量的统计量，如均值、标准差、样本量等，依据这些信息就可以直接计算（一元）
线性回归的系数；（2）阶矩模型中均可以利用这类信息直接运算sem等模型。（3）特点：计算速
度快，无须重复运算模型。

2.最小二乘法
  （1）多元回归中，ols可以处理多个自变量的情况，寻求残差平方和最小化；（2）将数据视为
矩阵，利用线性代数寻求系数最优化，对内存要求很高；（3）大数据场景下，存在线性和内存约
束问题。

3.梯度下降法
  （1）以迭代的方式，最小化模型误差（而不是ols的系数）；（2）参数学习率alpha控制每次
迭代的步长；（3）大型的行和列不会写入内存。

4.正则化法
  （1）一方面寻求最小化模型误差，另一方面可以减少模型复杂度（取L1绝对值）；（2）有利于
消除共线性和过拟合现象。