线性回归

xhz

预测值
从上面分散的数据中，我们如何预测未来的价格?

使用手绘线性图
为线性关系建模
为线性回归建模
线性图
这是一个基于最低价和最高价预测价格的线性图：

实例
var xArray = [50,60,70,80,90,100,110,120,130,140,150];
var yArray = [7,8,8,9,9,9,9,10,11,14,14,15];

var data = [
  {x:xArray, y:yArray, mode:"markers"},
  {x:[50,150], y:[7,15], mode:"line"}
];

var layout = {
  xaxis: {range: [40, 160], title: "Square Meters"},
  yaxis: {range: [5, 16], title: "Price in Millions"},
  title: "House Prices vs. Size"
};

Plotly.newPlot("myPlot", data, layout);
来自上一章
线性图可以写成y = ax + b

Where：

y 是我们要预测的价格
a 是直线的斜率
x 是输入值
b 是截距
线性关系
这个模型使用价格和尺寸之间的线性关系来预测价格：

实例
var xArray = [50,60,70,80,90,100,110,120,130,140,150];
var yArray = [7,8,8,9,9,9,10,11,14,14,15];

// Calculate Slope
var xSum = xArray.reduce(function(a, b){return a + b;}, 0);
var ySum = yArray.reduce(function(a, b){return a + b;}, 0);
var slope = ySum / xSum;

// 生成值
var xValues = [];
var yValues = [];
for (var x = 50; x <= 150; x += 1) {
  xValues.push(x);
  yValues.push(x * slope);
}
在上面的示例中，斜率是计算的平均值，截距 = 0。

使用线性回归函数
此模型使用线性回归函数预测价格：

实例
var xArray = [50,60,70,80,90,100,110,120,130,140,150];
var yArray = [7,8,8,9,9,9,10,11,14,14,15];

// 计算总和
var xSum=0, ySum=0 , xxSum=0, xySum=0;
var count = xArray.length;
for (var i = 0, len = count; i < count; i++) {
  xSum += xArray;
  ySum += yArray;
  xxSum += xArray * xArray;
  xySum += xArray * yArray;
}

// 计算斜率和截距
var slope = (count * xySum - xSum * ySum) / (count * xxSum - xSum * xSum);
var intercept = (ySum / count) - (slope * xSum) / count;

// 生成值
var xValues = [];
var yValues = [];
for (var x = 50; x <= 150; x += 1) {
  xValues.push(x);
  yValues.push(x * slope + intercept);
}