近年来，机器学习研究人员致力于构建灵活且可解释的回归模型的方法。 但是，从不完整和模糊的先验知识中获取完整知识的方法以及模型的泛化性能和可解释性之间的权衡是要考虑的非常重要的因素。 在本文中，我们提出了一种新的回归学习方法。 通过使用马尔可夫逻辑网络[29]从属性之间的不完全模糊关系中获得完全关系。 然后，在优化程序中应用完整的关系来约束回归模型的形状，以解决权衡问题。 最后，我们的方法的好处在基准数据集和实际实验中得到了说明。