在回归模型中，通过最小化真实值和预测值之间的平方和误差（SSE，即 Sum of Squared Errors）来求解参数的方法通常被称为**最小二乘法**。因此，正确答案是：

**B: 最小二乘法**

### 专业分析

1. **最小二乘法（Least Squares Method）**：
- 这是用于线性回归模型的标准方法。它的目标是找到模型参数，使得预测值与实际值之间的平方误差和最小。
- 具体实现方式通常是通过解析解，即通过构建正态方程，直接求解得到模型参数。
- 最小二乘法适用于线性和多元线性回归等情境。

2. **梯度下降法（Gradient Descent）**：
- 这是一种迭代优化算法，用于寻找函数的极小值或极大值。
- 虽然梯度下降法也可以用于最小化SSE，但是它是一种通用的优化方法，适用于各种损失函数和问题。
- 不同于解析法，梯度下降法通过反复更新参数直至达到局部或全局最小值。

3. **拟牛顿法（Quasi-Newton Method）**：
- 拟牛顿法是一种优化算法，用于无约束优化问题，尤其是目标函数的梯度可用的情况下。
- 它通过近似Hessian矩阵来加速收敛过程，常用于非线性优化问题。

4. **坐标下降法（Coordinate Descent）**：
- 这是一种优化技术，每次优化一个参数，倾向于用于高维问题的优化。
- 坐标下降法的优点在于其简单性，但在某些问题中可能收敛较慢。

综上所述，最小二乘法是通过最小化SSE来求解回归模型参数的经典方法。