回归分析在各行各业的数据分析中有很重要的作用，可以确定自变量和因变量之间的关系，分析出影响性能的关键因素。在机器学习领域，回归算法也是非常重要的。这里我们分享一种统计学意义上的回归分析。

回归分析一般人的用法是这样的：

• 从业务系统导出数据并整理
• 放到excel或者minitab中进行回归分析
• 剔除不显著的自变量，添加新的自变量，不断重复
• 确定显著的自变量，完成回归分析

这样的分析没问题，但存在几个问题：

• 效率比较低下
• 不同的人使用的回归参数不一样也会导致结果不一样
• 大量的业务数据，如此手工分析无法面面俱到
• 对使用回归分析的人的能力要求较高

为此，我们对回归分析如何整合到业务系统中进行快捷的分析，我们做了这样的设计：

设计：

如何能快速的进行类似的分析呢？可以这样设计：

• 前端通过应用服务器提取参数信息供用户选择分析项目
• 用户选择后，通过应用服务器提取生产数据库的数据，提交到计算服务器
• 计算服务器把计算结果返回给应用服务器
• 应用服务器把结果整理格式显示在前端。

系统架构图：

前端设计：

• 通过web服务器，访问业务数据库，获取设备之类的信息
• 用户选择设备自动带出相关数据供用户选择，还可以提供时间、数据点的选项。

分析结果：

分析结果直接返回一个回归分析表，和一个json的回归分析结果，可以在其他系统调用json。

设计方案难点：

• 业务分析，用户需要清楚知道需要进行的业务分析，不然随便分析也没有什么能用的结果
• 数据整理，如何整理能让用户选择的数据，数据需要对齐（x-y对齐），对于复杂的业务和IT系统，整理数据需要花费很多业务人员和IT人员的时间

体验：

上面的方案设计的实现，请看下方的链接：

http://www.simplespc.cn/demos/analytics02.php

推荐一个培训：Python统计技术在企业供应链大数据中的实战应用

• 从理论基础、业务设计到计算机实现，全面了解流行的数据分析应用
• 有别于其他数据分析课程一直适用python，我们通过python和业务系统整合，让你的数据分析应用实现自动化
• 可以让你有的放矢的知道数据分析（大数据）的领域需要哪些知识，针对自身优势进行选择深入学习