数据挖掘有很多重要的办法，线性回归剖析就是其中之一。咱们在高中和大学都有接触过线性回归的概念，这里就不赘述了。本文也不会波及到无关数学实践方面的常识，还是以利用场景、操作方法的介绍为主。
一、利用场景：
首先，一起来理解一下线性回归剖析的作用。在咱们的日常生活中，线性回归剖析是会被经常用到的。使用线性回归剖析，咱们能够理解到两组数据间有没有存在相关性。如，当咱们想晓得广告费用的投入对销售额增长的影响水平时，就能够使用。公司应不应该加大广告费投入，如果将来投入肯定的广告费用，预测销售额能够达到多少…这一系列问题都能够通过线性回归剖析去得出答案。
线性回归分析方法使用的前提是要具备两组以上的数据，而后就能够开始利用测验啦。上面给大家演示一下线性回归剖析的办法、操作过程，用到的工具是 Python。
二、Python 实现过程：
第 1 步：数据导入
首先要做的就是把本地的 EXCEL 或者 CSV 文件读取到 Python 里，咱们能够援用 pandas 库去读取数据：
待数据读取胜利后，咱们须要对数据进行确认，用到的办法是将打印数据与 EXCEL 数据进行比照：
第 2 步：计算相关系数
如上文所说，线性回归剖析的前提是要有 2 组数据。在数学上通常是用皮尔逊相关系数来进行测验，这个数值越靠近 1，就代表两组数据越具备相关性，咱们能够用 corr 这个函数来对广告费以及销售额进行测验：
而后，打印 data1，可见相关系数的值就曾经得出了。数据为 0.93，与 1 十分靠近，有数据可知这 2 组数据的相关性是十分高的：
第 3 步：画图
为了更加直观地对这两组数据进行出现，咱们能够画一个散点图，接入 matplotlib，X 轴为广告费用，Y 轴为销售额设置。接着利用 plot（）函数来画图，最初利用 show（）函数进行图表出现：
打印一下，咱们看看图形的成果，从图中能够看中，散点图点排列根本在一条直线上的，由此可知广告费用与销售额是呈正相干的，广告费用越多，销售额也会随之增长，这也对咱们下面计算出来的相关系数提供了一个十分好的佐证：
第 4 步：建设线性回归模型
用 y =ks+ b 公式示意线性回归的方程，X 为自变量、Y 为因变量、K 为斜率、b 为直线在轴上的截距。接入 sklearn 库，对着下面的数据建设线性回归模型，sklearn 库次要是进行机器学习。先利用 LinearRegression() 对象定义，再利用 fit（）函数对 X、Y 的值进行模型训练，最初输入 coef_，代表 k 值、是 intercept_，代表 b 值两个数据：
输入后的数据如下，k 是 17.3，b 是 291.9：
利用 score（）函数对模型的拟合水平进行测验，当数值越靠近 1，就代表该模型的拟合水平越好：
计算结果进去了，0.879，曾经十分靠近 1 了，可见模型的拟合水平很好，能投入到理论利用中去应用：
第 5 步：数据预测
k 和 b 的值也进去了，当初只须要 x 的值就可能推算得出 y 值数据，当初咱们能够利用这个原理去对数据进行预测。这里能够利用 predict（）函数接入一个参数对数据进行预测，例如上面咱们看看广告费在 20 万的时候，销售额预计会有多少：
最初算进去的销售额是 638 万：
三、后续倡议
从 python 的实现过程来看，通过写代码的模式可能实现线性回归剖析的整个过程，然而毕竟大部分小伙伴都没有接触过这门编程语言，如果真要用 python 去做的话可能会难度比拟大。那么有没有更加简洁一点的办法呢？当然有！再给大家介绍一个更加简便的办法，用到的工具是 smartbi。
以后界面为数据挖掘界面，工具栏位于界面的右边，能够看到工具栏上的组件有很多。这个也就是 ETL 工作界面，ETL 常利用于数据荡涤上。ETL 的数据源治理能力十分杰出。如果把 ETL 和数据挖掘联合起来，必然能够大幅提高数据分析的效率。
第一步要做的是先把数据源读取到 ETL 的界面里，咱们能够把 EXCEL 文件这个组件拖拽进来，并把下面的广告费用的 EXCEL 文件读取进来：
如果 EXCEL 文件中存在着多个 sheet，还须要把读取 Excelsheet 这个组件拖拽进来，并读取您的指标 sheet：
实现数据读取后，预览数据源:
接下来是广告费用、销售额的相关系数计算，将相关性剖析的组件拖拽进来，将其和下面的组件进行连贯：
鼠标选中相关系剖析，在左边的待选列里把销售额和广告费用选中，并挪动到左边：
查看输入成果，只须要点击广告费用、销售额的两头区域，相关性系数为 0.94。该数据与 Python 计算结果统一：
因为篇幅无限，散点图、数据预测等其余性能实现的办法就不多做介绍了，有趣味的小伙伴能够自行去钻研一下。