來自煙水暖的學習筆記

回歸分析(Regression analysis)

回歸分析(Regression analysis)，是研究因變量與自變量之間相關性的一種數學方法，并將相關性量化,即得到回歸方程。我們可以通過回歸方程（回歸預測模型）來預測因變量的變化。

回歸分析的分類：

1） 按自變量的個數，可以分為一元回歸，多元回歸

2）按變量相關性的形狀（回歸線）是否為直線型，可分為線性回歸，非線性回歸。

下面，我們將通過python工具來理解最簡單的回歸分析，即一元線性回歸，并了解回歸分析的步驟。

想要更多了解回歸分析包含的內容，可參考下面內容

煙水暖：詳細解讀Excel回歸分析：價格與需求的相關性?zhuanlan.zhihu.com

一元線性回歸

顧名思義，就是只包含一個自變量，且與因變量的關系是呈線性的回歸分析，其回歸方程（回歸模型）可用下面的方程表示：

y=bx+a （其中:y為因變量，x為自變量，b為回歸系數或斜率，a為截距）

簡單實例

我們將通過分析產品A的單價與銷量之間的關系，來預測當產品A的定價為x，市場的需求量y將會是多少，這樣我們就能知道該向供應商訂購多少產品A。

數據如下：

表格數據來自coursera中的consumer analytic課程。

price_demand.csv(百度云）

確定變量，導入數據

2. 探索性數據分析，繪制散點圖，觀察變量之間關系及趨勢變化，確定回歸類型

#繪制散點圖，觀察Price,demand的相關性

由圖可見，Price與Demand具有較強的負相關性，即Price增加，Demand反而減少。

我們也可通過下面函數觀察Price與Demand的相關系數（相關系數R是描述變量之間的相關性，范圍在[-1,1]之間，R>0，則為正相關，R<0，則為負相關；R的絕對值越接近于1，相關性越強，反之，相關性越弱）

3. 建立回歸模型，并進行模型訓練

在統計學中，一般我們是通過“最小二乘法”直線擬合來執行線性回歸分析。

4. 檢驗模型的擬合程度

查看模型的判斷系數，判斷其擬合度。

判斷系數為0.8679788013877346，可見模型的擬合程度還是較高的。

下面將擬合回歸線放入散點圖，直觀的感受模型的擬合程度:

最后查看回歸方程的內容:

模型包含的內容：參數：fit_intercept： 默認為true,是否計算截距normalize： 是否將數據歸一化copy_X：是否復制x的值，默認是復制，否則覆蓋原來x的值n_jobs：計算模型使用的作業數，也叫核數屬性：coef_:斜率intercept_:截距方法：fit() 擬合線性模型get_params() 獲取估計量的參數,即返回上面四個參數的內容predict() 使用模型預測結果score() 返回判定系數 ^2,判定系數描述的是回歸方程的擬合優度，值越接近于1,擬合度越高set_params()設置估計量的參數的內容

這里，我們只需要拿到下面內容，即可知道回歸模型的內容。

即Price與Demand呈負相關性，且可用 y=-0.895x+10.128 來描述其關系。接下來，我們便可用這個模型來預測需求。

5. 使用回歸模型預測

通過模型的預測方法，我們可預測當產品A的價格為8，或8.2，對應的需求為2.96，2.78.

總結

通過上面的學習，我們可用了解到最簡單的線性回歸分析，理解其如何幫我們來分析Price和Demand之間的關系，并由此預測Demand。

總結

以上是生活随笔為你收集整理的excel多元线性拟合_Python一元线性回归分析实例：价格与需求的相关性的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。