如何用线性回归模型做数据分析？

小洛写在前面：

很多同学目前所做的业务分析工作，徒手分析即可cover业务需求，较少用到一些高阶的统计模型和机器学习上面的东西。渐渐的便会产生一种感觉，即数据分析满足业务需求即可，不需要会机器学习。

但我认为

 1、目前的工作不需要，不代表之后的工作不需要，我们应该着眼于我们整个数据分析生涯 ；

2、掌握一些模型可以高效做一些定量分析，较徒手分析效率更高，更准 ；

3、我们觉得一些东西没用，很可能是因为我们还没有发现如何去用 ；

4、我们对自己的要求不应该止于满足业务需求，一些探索性专题非常依赖于机器学习 ；

基于以上，我尝试开始更新一些机器学习方面的文章，从较基础的线性回归、决策树等开始，希望大家可以跟着小洛一起学习，有疑问大家可以随时在交流群提～

---

一、什么是线性回归

线性回归是利用线性的方法，模拟因变量与一个或多个自变量之间的关系。对于模型而言，自变量是输入值，因变量是模型基于自变量的输出值，适用于x和y满足线性关系的数据类型的应用场景。

线性回归应用于数据分析的场景主要有两种：

• 驱动力分析：某个因变量指标受多个因素所影响，分析不同因素对因变量驱动力的强弱（驱动力指相关性，不是因果性）；

• 预测：自变量与因变量呈线性关系的预测；
  

模型数学形式：????=????0+????1????1+????2????2+⋯+????????????????

 

例如要衡量不同的用户特征对满意分数的影响程度，转换成线性模型的结果可能就是：分数=-2.1+0.56*年龄

 

线性回归模型分为一元线性回归与多元线性回归：区别在于自变量的个数

二、线性系数的计算-最小二乘法

我们知道了模型的公式，那么模型的系数是如何得来呢？我们用最小二乘法来确定模型的系数。最小二乘法，它通过最小化误差的平方和寻找数据的最佳函数匹配，利用最小二乘法可以求得一条直线，并且使得拟合数据与实