线性回归方程公式是什么

y=bx+a

例如：

y=3x+1

因为不知道x前面的系数，和常数项所以设成a，b，a和b通常是需要求的。

先求x，y的平均值X，Y

再用公式代入求解：b=(x1y1+x2y2+xnyn-nXY)/(x1+x2+xn-nX)

后把x，y的平均数X，Y代入a=Y-bX

求出a并代入总的公式y=bx+a得到线性回归方程。

扩展资料：

在线性回归中，数据使用线性预测函数来建模，并且未知的模型参数也是通过数据来估计。这些模型被叫做线性模型。最常用的线性回归建模是给定X值的y的条件均值是X的仿射函数。

不太一般的情况，线性回归模型可以是一个中位数或一些其他的给定X的条件下y的条件分布的分位数作为X的线性函数表示。像所有形式的回归分析一样，线性回归也把焦点放在给定X值的y的条件概率分布，而不是X和y的联合概率分布。

第一：用所给样本求出bai两个相关变量的(算术）平均值：

x_=(x1+x2+x3++xn)/n

y_=(y1+y2+y3++yn)/n

第二：分别计算分子和分母：（两个公式任选其一）

分子=(x1y1+x2y2+x3y3++xnyn)-nx_Y_

分母=(x1^2+x2^2+x3^2++xn^2)-nx_^2

第三：计算 b ： b=分子 / 分母

用最小二乘法估计参数b,设服从正态分布,分别求对a、b的偏导数并令它们等于零，得方程组解为

其中 ，且为观测值的样本方差线性方程称为关于的线性回归方程,称为回归系数,对应的直线称为回归直线顺便指出,将来还需用到,其中为观测值的样本方差

先求x,y的平均值X,Y

再用公式代入求解:b=(x1y1+x2y2+xnyn-nXY)/(x1+x2+xn-nX)

后把x,y的平均数X，Y代入a=Y-bX

求出a并代入总的公式y=bx+a得到线性回归方程

(X为xi的平均数，Y为yi的平均数)

线性回归都可以通过最小二乘法求出其方程，可以计算出对于y=bx+a的直线。

拟合是推求一个函数表达式y=f(x)来描述y和x之间的关系，一般用最小二乘法原理来计算。用直线来拟合时，可以叫一次曲线拟合，虽然有点别扭；用二次函数来拟合时，可以叫抛物线拟合或二次曲线拟合，但不能说线性回归。

用直线(y=ax+b)拟合时，得到的方程和一元线性回归分析得到的方程是一样的，但是拟合时可以人为指定函数参数形式，如b=0，而线性回归分析目的则侧重于描述y和x线性相关的程度，通常会同时计算相关系数、F检验值等统计参数。

求解方法

线性回归模型经常用最小二乘逼近来拟合，但他们也可能用别的方法来拟合，比如用最小化“拟合缺陷”在一些其他规范里（比如最小绝对误差回归），或者在回归中最小化最小二乘损失函数的乘法。相反，最小二乘逼近可以用来拟合那些非线性的模型。因此，尽管最小二乘法和线性模型是紧密相连的，但他们是不能划等号的。

百度百科-线性回归方程

最小二乘法求线性回归方程为a=y(平均)-bx（平均）。

最小二乘法公式是一个数学的公式，在数学上称为曲线拟合，此处所讲最小二乘法，专指线性回归方程！最小二乘法公式为a=y(平均)-bx（平均）。

最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。

普通最小二乘估计量具有上述三特性：

1、线性特性

所谓线性特性，是指估计量分别是样本观测值的线性函数，亦即估计量和观测值的线性组合。

2、无偏性

无偏性，是指参数估计量的期望值分别等于总体真实参数。

3、最小方差性

所谓最小方差性，是指估计量与用其它方法求得的估计量比较，其方差最小，即最佳。最小方差性又称有效性。这一性质就是著名的高斯一马尔可夫（ Gauss-Markov）定理。这个定理阐明了普通最小二乘估计量与用其它方法求得的任何线性无偏估计量相比，它是最佳的。

回归直线方程指在一组具有相关关系的变量的数据（x与Y）间，一条最好地反映x与y之间的关系直线。

离差作为表示Xi对应的回归直线纵坐标y与观察值Yi的差，其几何意义可用点与其在回归直线竖直方向上的投影间的距离来描述。数学表达:Yi-y^=Yi-a-bXi。

总离差不能用n个离差之和来表示，通常是用离差的平方和，即（Yi-a-bXi）^2计算。

要确定回归直线方程①，只要确定a与回归系数b。回归直线的求法通常是最小二乘法：离差作为表示xi对应的回归直线纵坐标y与观察值yi的差，其几何意义可用点与其在回归直线竖直方向上的投影间的距离来描述。

线性回归方程属于高中数学必修三，第二章，统计，属于回归分析，主要是介绍变量间的相互关系。

线性回归方程在全国卷是必考题，另外江苏，浙江，天津以及北京也会考线性规划。把公式的X、Y弄明白，然后在做相关的练习，这样做就会很快明白了。

线性回归方程的作用：

机器学习中常常用来解决相关性分析的问题，这里我们建立一个简单的数据集，这个数据集是关于学习时间和所得分数的相关性分析。机器学习的本质其实就是通过训练集建立一个模型，而后可以通过这个模型实现对于特征的识别，得出结果标签，而这个模型可以是多种多样的，简单线性回归模型只是其中的最基础最简单的一种模型。

以上就是关于线性回归方程公式是什么全部的内容，包括:线性回归方程公式是什么、怎么求回归方程、线性回归的拟合方程等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！