分享2个超实用的线性回归分析操作教程,有手就会!

数据挖掘有很多重要的方法,线性回归分析就是其中之一。我们在高中和大学都有接触过线性回归的概念,这里就不赘述了。本文也不会涉及到有关数学理论方面的知识,还是以应用场景、操作方法的介绍为主。

分享2个超实用的线性回归分析操作教程,有手就会!_第1张图片

一、应用场景:

首先,一起来了解一下线性回归分析的作用。在我们的日常生活中,线性回归分析是会被常常用到的。运用线性回归分析,我们可以了解到两组数据间有没有存在相关性。如,当我们想知道广告费用的投入对销售额增长的影响程度时,就可以运用。公司应不应该加大广告费投入,如果未来投入一定的广告费用,预测销售额可以达到多少…这一系列问题都可以通过线性回归分析去得出答案。

分享2个超实用的线性回归分析操作教程,有手就会!_第2张图片

线性回归分析方法运用的前提是要具备两组以上的数据,然后就可以开始应用检验啦。下面给大家演示一下线性回归分析的方法、操作过程,用到的工具是Python。

二、Python实现过程:

第1步:数据导入

首先要做的就是把本地的EXCEL或者CSV文件读取到Python里,我们可以引用pandas库去读取数据:

分享2个超实用的线性回归分析操作教程,有手就会!_第3张图片

待数据读取成功后,我们需要对数据进行确认,用到的方法是将打印数据与EXCEL数据进行对比:

分享2个超实用的线性回归分析操作教程,有手就会!_第4张图片

第2步:计算相关系数

如上文所说,线性回归分析的前提是要有2组数据。在数学上通常是用皮尔逊相关系数来进行检验,这个数值越接近1,就代表两组数据越具有相关性,我们可以用corr这个函数来对广告费以及销售额进行检验:

分享2个超实用的线性回归分析操作教程,有手就会!_第5张图片

然后,打印data1,可见相关系数的值就已经得出了。数据为0.93,与1非常接近,有数据可知这2组数据的相关性是非常高的:

分享2个超实用的线性回归分析操作教程,有手就会!_第6张图片

第3步:画图

为了更加直观地对这两组数据进行呈现,我们可以画一个散点图,接入matplotlib,X轴为广告费用,Y轴为销售额设置。接着利用plot()函数来画图,最后利用show()函数进行图表呈现:

分享2个超实用的线性回归分析操作教程,有手就会!_第7张图片

打印一下,我们看看图形的效果,从图中可以看中,散点图点排列基本在一条直线上的,由此可知广告费用与销售额是呈正相关的,广告费用越多,销售额也会随之增长,这也对我们上面计算出来的相关系数提供了一个非常好的佐证:

分享2个超实用的线性回归分析操作教程,有手就会!_第8张图片

第4步:建立线性回归模型

用y=ks+b公式表示线性回归的方程,X为自变量、Y为因变量、K为斜率、b为直线在轴上的截距。接入sklearn库,对着上面的数据建立线性回归模型,sklearn库主要是进行机器学习。先利用LinearRegression()对象定义,再利用fit()函数对X、Y的值进行模型训练,最后输出coef_,代表k值、是intercept_,代表b值两个数据:

分享2个超实用的线性回归分析操作教程,有手就会!_第9张图片

输出后的数据如下,k是17.3,b是291.9:

分享2个超实用的线性回归分析操作教程,有手就会!_第10张图片

利用score()函数对模型的拟合程度进行检验,当数值越接近1,就代表该模型的拟合程度越好:

分享2个超实用的线性回归分析操作教程,有手就会!_第11张图片

计算结果出来了,0.879,已经非常接近1了,可见模型的拟合程度很好,能投入到实际应用中去使用:

分享2个超实用的线性回归分析操作教程,有手就会!_第12张图片

第5步:数据预测

k和b的值也出来了,现在只需要x的值就能够推算得出y值数据,现在我们可以利用这个原理去对数据进行预测。这里可以利用predict()函数接入一个参数对数据进行预测,例如下面我们看看广告费在20万的时候,销售额预计会有多少:

分享2个超实用的线性回归分析操作教程,有手就会!_第13张图片

最后算出来的销售额是638万:

分享2个超实用的线性回归分析操作教程,有手就会!_第14张图片

三、后续建议

从python的实现过程来看,通过写代码的形式能够实现线性回归分析的整个过程,但是毕竟大部分小伙伴都没有接触过这门编程语言,如果真要用python去做的话可能会难度比较大。那么有没有更加简洁一点的方法呢?当然有!再给大家介绍一个更加简便的方法,用到的工具是smartbi。

分享2个超实用的线性回归分析操作教程,有手就会!_第15张图片

当前界面为数据挖掘界面,工具栏位于界面的左边,可以看到工具栏上的组件有很多。这个也就是ETL工作界面,ETL常应用于数据清洗上。ETL的数据源治理能力非常出色。如果把ETL和数据挖掘结合起来,必然可以大幅提高数据分析的效率。

分享2个超实用的线性回归分析操作教程,有手就会!_第16张图片

第一步要做的是先把数据源读取到ETL的界面里,我们可以把EXCEL文件这个组件拖拽进来,并把上面的广告费用的EXCEL文件读取进来:

分享2个超实用的线性回归分析操作教程,有手就会!_第17张图片

如果EXCEL文件中存在着多个sheet,还需要把读取Excelsheet这个组件拖拽进来,并读取您的目标sheet:

分享2个超实用的线性回归分析操作教程,有手就会!_第18张图片

完成数据读取后,预览数据源:

分享2个超实用的线性回归分析操作教程,有手就会!_第19张图片

接下来是广告费用、销售额的相关系数计算,将相关性分析的组件拖拽进来,将其和上面的组件进行连接:

分享2个超实用的线性回归分析操作教程,有手就会!_第20张图片

鼠标选中相关系分析,在右边的待选列里把销售额和广告费用选中,并移动到右边:

分享2个超实用的线性回归分析操作教程,有手就会!_第21张图片

查看输出效果,只需要点击广告费用、销售额的中间区域,相关性系数为0.94。该数据与Python计算结果一致:

分享2个超实用的线性回归分析操作教程,有手就会!_第22张图片

由于篇幅有限,散点图、数据预测等其他功能实现的方法就不多做介绍了,有兴趣的小伙伴可以自行去研究一下。

你可能感兴趣的