多元线性回归数据集_PowerBI 多元线性回归与参数调优

一、简述

本文主要介绍在利用PowerBI进行时间序列分析时，如何使用DAX完成多变量的线性回归预测。关于线性回归，通常分为简单线性回归与多元线性回归，前者只有一个自变量而后者大于一个自变量。对于PowerBI的简单线性回归，国外早已有人发表了相关介绍，但对于多元线性回归，我并没有在Google和百度上找到关于这方面的系统性介绍(注：不包括使用R&Python接口或可视化控件完成的方法)，因此我只能自己完成这一计算。下文将主要介绍使用DAX完成多元(二元为例)线性回归，并且将在此引入"Ridge回归"和"Lasso回归"中的模型调优思路。

（注：关于PowerBI简单线性回归的方法，可参照此文)

二、多元线性回归公式推导

模型如下：

DAX无法进行矩阵运算，因此回归公式参照克莱姆法则(不是史莱姆)。以二元回归为例，其目的是通过对现有数据集的计算，得出其中的β0，β1及β2的最优解，公式推导如下：

依据此公式，在DAX中进行运算，即可完成回归。

三、本文数据集简介

数据集下载自Tableau论坛,本案例使用的数据集为"Superstore.xls"

主表结构如下：

其中[日期](Order Date)将做为首个自变量，[销量](Sales