變量分析：
①相關分析：一個連續(xù)變量與一個連續(xù)變量間的關系。
②雙樣本t檢驗：一個二分分類變量與一個連續(xù)變量間的關系。
③方差分析：一個多分類分類變量與一個連續(xù)變量間的關系。
④卡方檢驗：一個二分分類變量或多分類分類變量與一個二分分類變量間的關系。
本次介紹：
線性回歸：多個連續(xù)變量與一個連續(xù)變量間的關系。
其中線性回歸分為簡單線性回歸和多元線性回歸。
／ 01 ／ 數(shù)據(jù)分析與數(shù)據(jù)挖掘
數(shù)據(jù)庫：一個存儲數(shù)據(jù)的工具。因為Python是內(nèi)存計算，難以處理幾十G的數(shù)據(jù)，所以有時數(shù)據(jù)清洗需在數(shù)據(jù)庫中進行。
統(tǒng)計學：針對小數(shù)據(jù)的數(shù)據(jù)分析方法，比如對數(shù)據(jù)抽樣、描述性分析、結果檢驗。
人工智能／機器學習／模式識別：神經(jīng)網(wǎng)絡算法，模仿人類神經(jīng)系統(tǒng)運作，不僅可以通過訓練數(shù)據(jù)進行學習，而且還能根據(jù)學習的結果對未知的數(shù)據(jù)進行預測。
／ 02 ／ 回歸方程
01 簡單線性回歸
簡單線性回歸只有一個自變量與一個因變量。
含有的參數(shù)有「回歸系數(shù)」「截距」「擾動項」。
其中「擾動項」又稱「隨機誤差」，服從均值為0的正態(tài)分布。
線性回歸的因變量實際值與預測值之差稱為「殘差」。
線性回歸旨在使殘差平方和最小化。
下面以書中的案例，實現(xiàn)一個簡單線性回歸。
建立收入與月均信用卡支出的預測模型。
import numpy as np
import pandas as pd
import statsmodels．a(chǎn)pi as sm
import matplotlib．pyplot as plt
from statsmodels．formula．a(chǎn)pi import ols
＃ 消除pandas輸出省略號情況及換行情況
pd．set＿option（＇display．max＿columns＇， 500）
pd．set＿option（＇display．width＇， 1000）
＃ 讀取數(shù)據(jù)，skipinitialspace：忽略分隔符后的空白
df ＝ pd．read＿csv（＇creditcard＿exp．csv＇， skipinitialspace＝True）
print（df．head（））
讀取數(shù)據(jù)，數(shù)據(jù)如下。
對數(shù)據(jù)進行相關性分析。
＃ 獲取信用卡有支出的行數(shù)據(jù)
exp ＝ df［df［＇avg＿exp＇］．notnull（）］．copy（）．iloc［：， 2：］．drop（＇age2＇， axis＝1）
＃ 獲取信用卡無支出的行數(shù)據(jù)，NaN
exp＿new ＝ df［df［＇avg＿exp＇］．isnull（）］．copy（）．iloc［：， 2：］．drop（＇age2＇， axis＝1）
＃ 描述性統(tǒng)計分析
exp．describe（include＝＇all＇）
print（exp．describe（include＝＇all＇））
＃ 相關性分析
print（exp［［＇avg＿exp＇， ＇Age＇， ＇Income＇， ＇dist＿home＿val＇］］．corr（method＝＇pearson＇））
輸出結果。
發(fā)現(xiàn)收入（Income）和平均支出（avg＿exp）相關性較大，值為0．674。
使用簡單線性回歸建立模型。
＃ 使用簡單線性回歸建立模型
lm＿s ＝ ols（＇avg＿exp ～ Income＇， data＝exp）．fit（）
print（lm＿s．params）
＃ 輸出模型基本信息，回歸系數(shù)及檢驗信息，其他模型診斷信息
print（lm＿s．summary（））
一元線性回歸系數(shù)的輸出結果如下。
從上可知，回歸系數(shù)值為97．73，截距值為258．05。
模型概況如下。
其中R值為0．454，P值接近于0，所以模型還是有一定參考意義的。
使用線性回歸模型測試訓練數(shù)據(jù)集，得出其預測值及殘差。
＃ 生成的模型使用predict產(chǎn)生預測值，resid為訓練數(shù)據(jù)集的殘差
print（pd．DataFrame（［lm＿s．predict（exp）， lm＿s．resid］， index＝［＇predict＇， ＇resid＇］）．T．head（））
輸出結果，可與最開始讀取數(shù)據(jù)時輸出的結果對比一下。
使用模型測試預測數(shù)據(jù)集的結果。
＃ 對待預測數(shù)據(jù)集使用模型進行預測
print（lm＿s．predict（exp＿new）［：5］）
輸出結果。
12下一頁>（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。 ）
