大数据分析 —— 一元回归

目录

一、定义与概念

二、一元线性回归模型 

三、、实验 

1，变量说明 

2，模型的建立

2.1，数据来源： 

 2.2建立一元线性关系：

（1）开发前的准备工作

(2)导入所需的python模块 

 (3)加载csv数据文件，并对数据进行必要的观察和探索。

（4）区分输入及输出数据，其中输入数据为国内生产总值GDP，输出数据为税收值。 

（5）使用构建线性回归模型，并通过样本集对模型进行训练。

模型系数：[[0.16041729]]，截距：[88.93231128]

（6）使用均方根误差RMSE对模型进行评价·。 

回归模型RMSE值：[[0.16041729]]

（7）利用matplotlib绘制函数曲线，观察数据点分布。

四、总结 

回归分析是一种重要的数据分析技术，广泛应用于大数据分析中，用以揭示自变量和因变量之间的定量关系。用回归分析算法解决问题时，如果只涉及俩个变量，通过一个变量(自变量)的变化来预测出另一个变量（因变量）的值，那么这种回归称为一元回归。例如在分析税收值时，GDP就是一个重要的因素，如果只考虑GDP的因素，通过GDP来预测税收值，这时就可以用一元回归来进行预测了。这时的GDP就是自变量，而预测出的税收值就是因变量。本篇实例提供某年度各省份国内生产总值GDP及税收数据，需要分析各省份CDP与税间的关系，要求通过一元线性回归算法，建立GDP与税收间的一元线性系，以达成通GDP预测税收值的目标。其中数据文件为ods_prov_gdp_tat_jnfo.csv。

一、定义与概念

1. 定义：一元回归是只有一个自变量的回归分析，用于研究一个自变量（预测变量或解释变量）与一个因变量之间的依存关系。
2. 相关关系：在一元回归中，自变量和因变量之间的关系是不确定的，即一个变量的取值不能由另一个变量唯一确定。这种关系被称为相关关系，与函数关系（一一对应的确定关系）相区分。

二、一元线性回归模型 

1. 模型表示：一元线性回归模型可以表示为y = β0 + β1x + ε，其中y是因变量，x是自变量，β0和β1是模型参数（也称为回归系数），ε是误差项。
2. 模型参数估计：通常使用最小二乘法来估计模型参数β0和β1，使得观测值与预测值之间的离差平方和最小。
3. 回归方程：一旦模型参数被估计出来，就可以得到回归方程，用于根据自变量x的值来预测因变量y的值。

三、、实验 

1，变量说明 

2，模型的建立

2.1，数据来源： 

ODS_PROV_GDP_TAX_INFO.csv是一个关于某年度各省份国内生产总值GDP及税收的数据集，该数据集包括31个省份的国内生产总值GDP及税收数据。

 2.2建立一元线性关系：

（1）开发前的准备工作

确保本机已安装Anaconda3-5.1.0及以上版本，准备本地数据文件 ods_prov _gdp_tax info. csv,运行 Jupyter Notebeok程序,在 Web浏览器中新建 Pythons文件。 

如果代码无法正常运行使用pip install numpy pandas matplotlib scikit-learn命令在Python环境中安装几个非常流行的科学计算和机器学习库。（numpy、pandas、matplotlib、scikit-learn）