matlab中散点图的线性拟合_机器学习之线性回归（python)

1、概念

线性回归（一元线性回归）

二变量数据：对于每一个观察结果，二变量数据给出两个变量数值，其中一个变量收到某种方式控制，或是用来解释另一个变量，则这个变量叫做自变量或者解释变量（x)，另一个变量则称为因变量或反应变量(y)。

相关性，线性：根据二变量数据，以x轴描述一个变量，y轴描述另一个变量，绘制成散点图。若图形中数据点显示出一种独特的模式，我们称这种现象为相关，此时散点显示数据对之间的相关性。如果散点图上的数据几乎呈直线分布，这相关性称之为线性。

最佳拟合线：即“最佳拟合直线”是使样本点到该直线的距离达到最小的直线（采用垂直距离）。

线性回归（一元）：此处只对一元线性回归做归纳，用最小二乘回归法求最佳拟合线

① 、一元线性回归是分析只有一个自变量（自变量x和因变量y）线性相关关系的方法，此处可以理解为：线性回归法是一种求最佳拟合线 y=a+bx 的数学方法（也叫“最小二乘回归法”）。

②、 要求”y=a+bx “中斜率b的值，需要通过另一个相关的公式：

误差平方和（SSE)： 该名称定义为“各个（y的实际值与 通过最佳拟合线得出的y的预测值 的差值）²的和“

SSE为最小时，便是最小拟合线，通过这个公式（推导过程省略，理解意思即可），可以得到斜率b;

因为 最佳拟合线是穿过x的平均值和y的平均值，所以将这俩个平均值代入"y=a+bx"(b已求出），便可以得到a

相关系数 r : r 是介于-1和1之间的一个数，描述的是数据与最佳拟合线的偏离距离。如果 r=-1，则为完全负线性相关；如果 r = 1 ,则为完全正线性相关；如果 r = 0,则不存在相关性（通常来说，r越接近1，表示x与y两个量之间的相关程度就越强，反之，r越接近于0，x与y两个量之间的相关程度就越弱）。

这里相关系数 分为三档 1~0.6我们定位 强相关，0.3~0.6为中等程度相关，0~0.3为弱相关，负值同样的规则划分。

决定系数R²：是