大数据财务分析——基于Python 课件11.线性回归模型 + 财务会计案例实战.pptx

;;11.1 一元线性回归 线性回归模型是利用线性拟合的方式来探寻数据背后的规律，如图11-1所示，就是通过搭建线性回归模型来寻找这些散点（也称样本点）背后的趋势线（也称回归曲线），而通过这个回归曲线就能进行一些简单的预测分析或因果关系分析。;11.1.1 一元线性回归的数学原理 一元线性回归模型也称为简单线性回归模型，其形式可以通过如下公式表达： y = a*x + b 其中y为因变量，x为自变量，a表示回归系数，b表示截距。如图11-2所示，其中 为实际值， 为预测值，一元线性回归的目的就是拟合出一条线来使得预测值和实际值尽可能的接近，如果大部分点都落在拟合出来的线上，那么该线性回归模型则拟合较好。 ;那么该如何来衡量实际值与预测值接近的程度呢，数学上通过两者差值的平方和（该和也称为残差平方和）来进行衡量，公式如下，其中 为求和符号。此外，补充说明一句，在机器学习领域，该残差平方和也被称之为回归模型的损失函数（更多损失函数的相关知识点可以参考本书第13章13.2节的补充知识点）。 ;补充知识点：最小二乘法演示 以如下数据为例，来演示最小二乘法供感兴趣的读者参考： 假设线性回归模型的的拟合方程为y = ax + b，那么残差平方和或者说损失函数定义为：;根据高等数学复合求导的相关知识： ，又因为 的导数为2x，所以的 导数为 。分别对a和b求导，得到以下公式：;继续简化，得：;1