回歸分析 是資料分析中最基礎也是最重要的分析工具，絕大多數的資料分析問題，都可以使用回歸的思想來解決。
回歸分析的任務就是：
通過研究自變數x和因變數y的相關關係，嘗試去解釋y的形成機制，進而達到通過x去**y的目的。
相關性≠因果性
y為因變數
x為自變數
回歸分析的使命：
1、識別重要變數
識別並判斷，哪些x變數是同y相關的，哪些變數不相關。去除了那些於y無關的自變數x，那麼剩下的，就都是重要的、有用的x變數了。
2、判斷相關性的方向
這些有用的變數同y的相關是正的，還是負的呢？
3、估計權重（回歸係數）
在確定了重要自變數x後，我們還需要給x賦予一定的地位（權重，也就是不同的回歸係數），進而我們可以知道這些重要變數x中，不同變數之間的相對重要程度。
本例採用的是模擬資料，將excel中的資料匯入到spss中。
如果散點圖都不呈現出一元線性相關，也沒有必要 分析一元線性回歸關係了。（此時應該考慮 更換數學模型。）
也可以直接在excel做散點圖。
spss的資料分析 「輸出」視窗中會出現很多圖表，接下來我們來分析分析一些重要的圖表。
圖表1:【輸入/除去的變數】
此表是擬合過程中變數輸入/除去模型的情況記錄。
由於我們只引入了乙個自變數，所以只出現了乙個模型1（在多元線性回歸中就會依次出現多個回歸模型）
圖表2：【模型摘要】
此表為所擬合模型的情況彙總，對於模型1：
相關係數
r=0.992
擬合優度
r方=0.983
調整後的擬合優度
調整r方=0.982
標準估算的誤差
0.3512
【注意】r方（擬合優度）：是回歸分析的決定係數，說明自變數和因變數形成的散點圖與回歸曲線的接近程度，數值介於0和1之間，這個數值越大說明回歸的越好，也就是散點越集中於回歸線上。
圖表3：【anova】-analysis of variance
此表是所用模型的檢驗結果，乙個標準的方差分析表。
顯著性（sig./significant）值是回歸關係的顯著性係數。sig.是f值的實際顯著性概率，即p值。
由表可見，顯著性為0.000，因此我們的這個回歸模型時具有統計學意義的，可以繼續看下面【係數】
圖表4：【係數】
由表中顯著性，可知常量和x係數 都是具有統計學意義的。
一元線性回歸模型
在回歸模型裡，線性回歸絕對是最簡單的，但這並不妨礙它成為回歸問題上的佼佼者。對於絕大部分的資料分析場景，線性回歸是我們的首選。歸其原因，有幾點 模型簡單且適用於大資料。訓練起來也非常快，資源消耗也少。線性回歸的評估標準?一種最簡單的方法就是測量真實值和 值之間的差異，也叫做誤差。假設一條線很好地擬合...
一元線性回歸模型
按西瓜書公式寫的，比較簡陋，但可以執行幫助理解 import math d 65 6 50,5 120,15 98 12 51,6 66 8 70,10 78 11 75,10 120,8 45 7 該資料集表示 體重，血糖值 體重為x 血糖值為標記 一元線性回歸試圖求得g ax b使g擬合f 輸入...
TensorFlow 一元線性回歸
x y 1 31 5.1 1 6.99y w x b h x 3 x 5 3 1 5 8 代價函式 均方差 8 3 的平方 11 5.1 的平方 14 6.99 的平方 2 3 123 456h x 2.8 x 4 h x 2.6 x 3 h x 2.0 x 1 求最優解演算法 梯度下降 h x 2...