文档介绍：线性回归
回归可以用来作销售量预测或者制造缺陷预测。
1. 用线性回归找到最佳拟合直线
线性回归：
优点：结果易于理解，计算上不复杂。
缺点：对非线性的数据拟合不好
适用数据类型：数线性回归
回归可以用来作销售量预测或者制造缺陷预测。
1. 用线性回归找到最佳拟合直线
线性回归：
优点：结果易于理解，计算上不复杂。
缺点：对非线性的数据拟合不好
适用数据类型：数值型和标称型数据
回归的一般方法：
（1）收集数据：采用任意方法收集数据
（2）准备数据：回归需要数值型数据，标称型数据将被转成二值型数据
（3）分析数据：绘出数据的可视化二维图将有助于对数据做出理解和分析，在采用缩减法
求得新回归系数后，可以将新拟合线绘在图上作为对比
（4）训练算法：找到回归系数
（5）测试算法：使用 R2 或者预测值和数据的拟合度，来分析模型效果
（6）使用算法：使用回归，可以在给定输入的时候预测出一个数值，这是对分类方法的提
升，因为这样可以预测连续型数据而不仅仅是离散类型的标签一元线性回归例子：
两个变量之间的关系先用散点图画出：（从图形上判断这些数据是否近似成线性关系）
发现它们确实近似在一条线后，再用线性回归的方法进行回归。
MATLAB 程序如下：（这里采用 regress 函数）
x=[31 42 46 50 52 58];%自变量
y=[ 3 ];%应变量
X=[ones(length(y),1),x'];%转置
Y=y';
figure
subplot(1,2,1)%画布分割
scatter(x,y);
xlabel('x 销售额(万元)');
ylabel('y 流通率');
%最小二乘拟合
[b,bint,r,rint,s]=regress(Y,X);
fprintf('y=%.4fx+%.4f\n',b(1),b(2));%b(1)为一次项系数,b(2)是截距p=vpa(s(3),20) %检验的p值 p<,回归方程高度显著;<=p<,回归方程显
著;p>=,回归方程不显著
subplot(1,2,2)
plot(x,y,'r*')%x与y散点图
h=l