編者按：回歸分析模型用于進行預測，但在資料分析中，預測可分為連續預測和分類預測。作者從一個簡單的線性回歸開始，分析模型的用途及其使用方式，與您分享，并進行檢視。
大家好，我是一個愛學的小熊妹。總有一些小夥伴想要檢視分析模型，我們從最簡單的回歸分析模型開始。回歸分析是所有分析模型中最明顯和最容易了解的，回歸分析具有許多不斷變化的模式，可以應用于許多問題場景。今天讓我們來看看。
<h1頭條起源"h2">，為什麼叫回歸？</h1>
回歸，最初是一位統計學家，注意到孩子的身高總是接近平均身高，即使他們的父母很高，他們的孩子也不會無限期地長高。從這些研究來看，回歸分析方法（回歸，也有一個含義：退化，可以說是很形象的）。
是以，這裡的"回歸"隻是一個習慣性的名字，而業務機關口中的"回歸原心""回歸原點"一角錢的關系則不然！在讨論問題時，業務部門喜歡拉"回歸"，做資料夥伴，不要被繞過!!!
回歸模型<h1 toutiao-origin">2有什麼用？</h1>
回歸模型用于執行：預測。在資料分析中，預測分為兩種類型：
連續預測：例如，預測銷售額為3550萬，預測客戶為15萬，預測為連續數字。
分類預測：例如，預期使用者接聽電話/不接電話，新産品預計在A/B級/C級之後上市，預測結果不是連續數，而是分類結果。
大多數回歸分析模型都是連續預測（邏輯回歸除外）。今天，從對一個變量進行最簡單的線性回歸分析開始。
< h1頭條起源"h2">iii，如何進行回歸分析</h1>
回歸分析有五個步驟：
步驟 1：确認這是一個預測問題
步驟 2：确定要預測的因變量，以及影響預測結果的參數
步驟 3：收集資料并驗證資料之間的關系
步驟4：計算模型，測試結果
第 5 步：進行預測
看一個具體的問題場景：一家公司會提前把新産品推向市場，并進行預約。雖然最終上市後，不僅預訂使用者要購買，但如果能通過預訂數量，預測銷量，就可以預先判斷産品是否會受歡迎，進而控制庫存情況。具體資料如下表所示。
一旦你遇到問題，請逐漸：步驟1：場景需要預測，銷售預測和連續變量。步驟2：确認因變量，參數。在這個問題中：
因變量（待預測）：銷售額
參數（影響預測結果）：約會數
沒有其他變量。
一旦資料可用，就可以确定兩個名額是否具有以及具有何種關系，進而選擇适當的模型。判斷關系的最簡單、最快捷的方法是散點圖。是以，獲得資料後，可以先執行散點圖。如上圖所示，因變量和參數之間似乎存在明顯的線性關系，是以可以使用線性回歸。
步驟3：收集資料，該主題已幫助收集，繼續下一步。
步驟4：進行計算。簡單的線性回歸，使用 excel →資料分析→回歸計算（見下圖）。
至于模型解釋，稍微複雜一點，我們慢慢看哦
< h1頭條原點"h2">、模型計算和解釋</h1>
回歸分析對模型的解釋稍微複雜一些，并且包含了大量的假設檢驗知識，這裡先不去探索其複雜的原理，給出一個簡單的原理判斷，小夥伴可以複制起來就可以使用了。模型解釋分為三個部分：
模型本身是不可預測的。主要看R平方（下面的藍色）。
模型作為一個整體是否有效。主要檢視 F 測試的結果（下圖橙色）。
在模型中，每個因變量的測試結果（下面綠色）。
從上圖可以看出，此模組化的所有三個測試結果都通過，表明該模型可用。這次模組化隻有一個參數加一個常量，是以最終模型是 y-60-5x。常量項和參數的值，請參閱下圖的黃色部分。
<h1頭條原點"h2">五、回歸分析模型應用</h1>
使用回歸模型，我們可以預測未來。例如，有一個新産品，預訂人數為45，000人，可以用模型替換，預測銷售量為60加5×4.5×825，000，商品部門可以相應地準備。
< h1頭條原點"h2">，回歸分析局限性</h1>
沒有模型是lmsy的，回歸分析突出了兩個弱點：
倒退并不意味着因果關系！不是因果關系！不是因果關系！回歸模型隻能從資料中來描述：兩個變量之間存在關系，但在實踐中沒有關系，這取決于具體的業務情況。是以不要亂來。
模型測試可能很難通過。為了示範友善，本文選擇的資料非常漂亮，使這三項測試全部通過，但實際情況會很複雜，有各種檢測不通過的情況，是以也推導出了更多、更複雜的知識點，這我們稍後慢慢分享。
其實本文隻是一個開始，回歸分析有了更多的應用，比如邏輯回歸用來預測使用者響應/非響應，用來預測時間序列自回歸的時間趨勢等等，小夥伴首先了解了回歸分析的基本概念，我們再深入一點。
作者：代碼工作者Cub，微信公衆号：代碼工作者Cub
本文最初由 Coder Cubs 釋出，未經許可，禁止向所有産品經理轉載。
該圖來自 pexels，基于 CC0 協定