在医学实践中往往需要对尚未发生的事件特征进行数据预测，在这一过程中都是从以往获得的数据作为预测的根据。但是，回归方程的预测的实质是从已知数据中计算出回归方程，再从回归方程线的走向趋势来获得未知的数据。而神经网络预测的实质是从已知的数据空间，根据某种原则向未知数据空间进行映射，从而得到未知数据。虽然这两种预测原理根本不同，但其预测值的结果在有些时候却惊人的一致。那末，在具体数值预测实践中到底选用哪种方法则需要根据具体情况而定。笔者得出的结论是：若已知数据因果之间能形成某种函数趋势，则使用回归方程方法；若已知数据因果之间仅能找到某种较为稳定规律，但不能形成函数趋势时，则使用神经网络方法。下面对这两种方法分别进行叙述。

     1 回归方程

    在中学阶段我们大家都学过直角坐标下的直线方程 y=kx+b。 其中x是自变量，y是因变量，k是斜率，b是截距。当直线有斜率时(即k≠0)，直线方程可用平面上的两个点式表示：y-y1 y2-y1=x-x1 x2-x1，这说明两个点可以确定一条直线。如点(4.5，7.2)与点(5.9，9.7)便可确定一条直线。直线回归方程中存在着许多点(x1,y1),(x2,y2),…,(xn,yn)，而求回归线，实质上是算出所有这些点的平均值所确定的一条直线。那么怎样求这些点的平均值呢？我们看下图：

    从图中我们可以看出，每一个点到直线距离的代数和是最小的，即直线上的点是这些点的平均值。这条直线就称为这些点的回归线。下面我们来讨论回归线的求法。假设平面上有n个点，(x1,y1),(x2,y2),…,(xn,yn)，它们的趋势是一致的，那么，这些点便可构成一条回归线 y=kx+b，这些点的所有x坐标的均值和y坐标的均值与每一个具体点xi,yi之差的平方和就是∑n i=1(Xi-)2与∑n i=1(Yi-)2这两个数代表所有点到中心点的距离。在中学阶段我们便知道了求直线的斜率k=y x，我们看一看式子∑n i=1(Xi-)(Yi-) ∑n i=1(Xi-)(Xi-) 如果分子分母同时约去(Xi-)(当然不能这样约)，式子就变成了∑n i=1(Yi-) ∑n i=1(Xi-)，这不也是一种很合理的比率吗，它与求直线斜率是多么相象，实际上，回归线的斜率k就是∑n i=1(Xi-)(Yi-) ∑n i=1(Xi-)2，它能够通过最小二乘法求证的。知道了如何求回归线的斜率，再求回归线的截距b 就非常容易了 ......