PowerBI多元回归预测数据(R语言)

最新推荐文章于 2024-05-28 10:03:47 发布

Lin王发林

最新推荐文章于 2024-05-28 10:03:47 发布

阅读量682

点赞数

分类专栏： PowerBI MySQL 文章标签： r语言 powerbi 线性回归机器学习

本文链接：https://blog.csdn.net/yixiu92/article/details/126963342

版权

本文介绍了如何在PowerBI中利用R语言进行多元线性回归分析，以预测GMV值。通过考虑UV、推广费用、降价水平和客服评分四个因素，计算得出各因素对GMV的影响，并展示了如何在PowerBI中创建度量值以进行预测。文章还提到了模型评估指标R2和调整的R2，以及如何预测置信区间。

摘要由CSDN通过智能技术生成

前几天写了一篇直接在PowerBI里面使用度量值做一元回归的内容，虽然灵活性很高，但是实际中对一个结果影响的因素是很多的，还是使用多元回归的场景更多。而且我们借助统计分析包不仅可以计算出回归参数，还可以看看一些衡量模型的重要指标，比如R2/调整的R2，还可以通过置信区间的设置来求出预测区间。

我们这次的案例是有四个影响GMV值得因素，UV访客数、推广费用的投入、整体商品降价水平（优惠力度）和客服的服务评分，通过计算这四个因素的具体影响值来求出预测GMV，本次使用的是在PowerBI数据集的基础上调用R script来实现，下次再来用Python实现。数据和模型会放在最后供下载学习使用，数据如下↓

下面开始实现，首先在PowerQuery里面加载数据，加载的数据和我们原始数据内容一样，当然如果是订单明细数据，只需要进行一下按日期Group by就行了。

这就是我们需要处理的数据样式，就是表格，在R语言里面叫做数据框，然后我们需要在PowerQuery里面调用R语言脚本，在Transform菜单下面最后一列↓

点击后就会出现R语言脚本的编辑器，这里就不介绍R语言如何实现多元线性回归模型的了，我记得之前R语言的集合里面有详细介绍《R语言_018回归》，有兴趣的可以翻去看看。主要就是使用lm拟合多个参数，然后我们这里再把拟合的结果求出来就行了，代码也很简单，如下↓

fit <- lm(gmv ~ uv + promotion_exp + price_diff + service_score,
          data=dataset)
df<- data.frame(coef(fit)) 
names(df)[names(df)=="coef.fit."] <- "coefficients" 
df['variables'] <- row.names(df)

再多说一句，不管是调用R语言还是Python，不管PowerQuery里面当前的流程是怎么命名的，在脚本编辑器里面的数据集都是用dataset命名的。最后运行结果如下↓