沈榮 張保文

摘要：通過建立多元線性回歸分析模型，采用數(shù)據(jù)挖掘理論中的數(shù)據(jù)分析方法對蛋糕店月營業(yè)額的特征因素進行提取，確定距離車站最近距離和店鋪面積作為特征因素，從而對蛋糕房月營業(yè)額進行預測。利用Python3.6面向?qū)ο缶幊陶Z言特性，借助其高效、簡潔、靈活等特點，結(jié)合Python3.6提供的Padas、matplotlib等模塊提供的強大功能，編程實現(xiàn)對判定系數(shù)的計算，調(diào)用庫函數(shù)對多元線性回歸模型進行訓練、評分、預測，得到了較為理想的預測結(jié)果，該預測結(jié)果在指導投資人在蛋糕房選址上提供了重要的參考價值。結(jié)果進一步表明，利用Python 3.6的高效性和強大的擴展性，使得其在多元線性回歸模型及數(shù)據(jù)挖掘領(lǐng)域的其他模型使用中均有極大應用潛力。

關(guān)鍵詞： 教學實驗；多元線性回歸；數(shù)據(jù)挖掘；數(shù)據(jù)分析；預測

中圖分類號：G424 文獻標識碼：A

文章編號：1009-3044（2019）10-0254-03

開放科學（資源服務(wù)）標識碼（OSID）：

The Practice of Regression Prediction Model under Python Teaching Experiment Environment

SHEN Rong1， ZHANG Bao-wen2

（1.School of Information Engineering， Ningxia University，Yinchuan 750021，China； 2.School of Mathematics and Statistics， Ningxia University，Yinchuan 750021，China）

Abstract：By establishing multiple linear regression analysis model， using the method of data analysis in the theory of data mining to extract the characteristics of the cake shop month turnover factors， determine the distance and the station nearest store area as characteristic factor， which month turnover to make predictions on the cake.Using Python3.6 object-oriented programming language features， with the aid of its characteristics such as high efficiency， simple， flexible， combining Python3.6 Padas， matplotlib module provides powerful functions， such as programming to determine the calculation of the coefficient， call library functions for training， score， multiple linear regression model， the ideal prediction results， the predicted results in guiding the investors in the cake room provides an important reference value on the site.The results show that the high efficiency and strong expansibility of Python 3.6 have great potential in the use of multiple linear regression models and other models in data mining.

Key words：Multiple linear regression； data mining； data analysis； forecas

1 引言

多元線性回歸具有模型簡單、預測結(jié)果準確、模型解釋能力強的特點，在模型預測中得到了廣泛用用[1-2].在數(shù)據(jù)挖掘及數(shù)據(jù)分析領(lǐng)域，一些企業(yè)案例在引用線性回歸模型做預測，得到了較理想的結(jié)果，將其作為教學內(nèi)容實踐，也取得了良好的效果。

大數(shù)據(jù)時代數(shù)據(jù)挖掘技術(shù)再次走向高潮，數(shù)據(jù)挖掘（data mining）又稱為數(shù)據(jù)庫中的知識發(fā)現(xiàn)（KDD），是指從存放在數(shù)據(jù)庫、數(shù)據(jù)倉庫或其他信息庫中的大量數(shù)據(jù)中挖掘出有趣的知識的過程[3]。

近年來為了推動數(shù)據(jù)挖掘在實際中的應用，許多研究者對數(shù)據(jù)系統(tǒng)的體系結(jié)構(gòu)做了大量的研究工作，一個合理的數(shù)據(jù)挖掘系統(tǒng)應具有以下特點[4]：1）系統(tǒng)功能和工具的完備性；2）系統(tǒng)的可擴展性；3）支持多種數(shù)據(jù)源；4）對大數(shù)據(jù)量的處理能力；5）良好的用戶界面和結(jié)果展示能力[5]。

本文在對蛋糕房營業(yè)額預測之前，對前幾年因店鋪面積、店鋪位置等數(shù)據(jù)進行采集，數(shù)據(jù)清洗，去除冗余數(shù)據(jù)，選出典型特征值，即店鋪面積和距離最近的車站，利用選區(qū)的特征值進行多元線性回歸模型的構(gòu)建，引入機器學習、數(shù)據(jù)挖掘領(lǐng)域下強大的面向?qū)ο缶幊陶Z言Python3.6，通過引用函數(shù)庫中的回歸函數(shù)、測試函等對已構(gòu)建好的蛋糕房的多元線性回歸模型進行編程，得到了一個只需知道蛋糕房面積、距離最近車站的距離即可預測月營業(yè)額的得二元線性回歸模型，極大地提升了蛋糕房的總體利潤，為投資人是否在開分店的選擇上節(jié)約了大量的時間、人力物力等成本，該線性回歸模型簡單易用，具有極大的商用價值，值得推廣。

同時，Python3.6因其平臺無關(guān)性，語言簡潔、優(yōu)雅的特性，得到了廣大機器學習、數(shù)據(jù)挖掘領(lǐng)域人士的青睞。Python 是一種解釋型、面向?qū)ο?、動態(tài)語義、語法優(yōu)美的腳本語言，自1989 年由Guido Van Rossum設(shè)計出來，經(jīng)過十余年的發(fā)展，與Tcl、Perl一起成為目前應用最廣泛的3 種跨平臺語言[6]，Python還是abques的二次開發(fā)語言[7]，提供了多種內(nèi)置數(shù)據(jù)類型，如列表、字典等，可以方便地實現(xiàn)所需要的功能，同時還有內(nèi)置的數(shù)據(jù)庫模塊[8]。通過對象引用機制來自動管理變量內(nèi)存空間的申請和釋放，避免了C 或者 C++中管理指針對象所帶來的大量工作，大大減少了程序的出錯概率，提高了軟件的開發(fā)效率。除此之外，Python 也提供了許多創(chuàng)建和操作三維對象的模塊，如Py Open GL等，并通過Alice以及Py Game 還可以實現(xiàn)三維對象的操作與對象的顯示[9]。

在這一趨勢下，本文采用最新版本的Python3.6實現(xiàn)了整個多元線性回歸模型的建立，對蛋糕房的月營業(yè)額因受地理位置、面積大小因素的影響進行預測，降低了商家的投入成本，對其他商家具有重要的參考價值。

2 特征值提取及模型構(gòu)建

在公司企業(yè)等實際問題研究中，因變量的變化往往受幾個重要因素的影響，這時因變量的變化就要用兩個或兩個以上的自變量的影響因素作為自變量來解釋，這就是多元回歸，當多個自變量與因變量之間的關(guān)系是線性的時候，所進行的回歸分析就是多元線性回歸。

目前在數(shù)據(jù)挖掘領(lǐng)域?qū)ι啼仩I業(yè)額的預測方法很多，多元線性回歸模型由于其方法簡單，模型簡捷易健，預測費用相對較低等優(yōu)點而應用廣泛。

故本文應用多元線性回歸模型預測蛋糕房月營業(yè)額，對其他商鋪利潤的提升有重要的參考價值。

2.1 多元線性回歸模型理論

3 Python 3.6下預測額模型教學實踐

3.1 Python 3.6簡介

Python是一種面向?qū)ο?，解釋型，動態(tài)數(shù)據(jù)類型的高級程序設(shè)計語言[10]。目前，國外的一些知名大學已經(jīng)采用Python教授程序設(shè)計課程，比如麻省理工學院已經(jīng)將Python作為授課語言，2018年國內(nèi)首次將Python作為計算機等級考試語言列入考試科目，皆因為其一：代碼容易讀寫，容易維護與學習；其二：支持繼承、多繼承、重載、派生等面向?qū)ο蟪绦蛱匦?，在?nèi)容設(shè)計上非常貼近教學；其三：Python3.6可以直接在交互式環(huán)境下用命令方式執(zhí)行Python語句，非常方便測試；其四：Python編程語言的發(fā)布是免費開源的，有豐富的標準庫和擴充庫，無須考慮其他內(nèi)存管理等底層細節(jié)，代碼規(guī)范，可讀性強，在數(shù)據(jù)分析方面可以直接進行數(shù)學函數(shù)的調(diào)用，在建立數(shù)學模型及其編碼上有極大優(yōu)勢，大數(shù)據(jù)分析是大數(shù)據(jù)研究領(lǐng)域的核心內(nèi)容之一[11]，通常一幅圖勝過千言萬語人類從外界獲得的信息約有80%以上來自于視覺系統(tǒng)[12，13]，而Python做數(shù)據(jù)分析則更占有語言優(yōu)勢。

本文利用Python3.6版本，通過多元線性回歸調(diào)用函數(shù)，建立回歸模型，之后調(diào)用函數(shù)對模型進行訓練，進一步評分、預測，實現(xiàn)了蛋糕房分店因受其地理位置、店鋪大小而影響月營業(yè)額的預測。

3.2 Python3.6下多元線性回歸模型教學實踐

4 結(jié)束語

本文通過對蛋糕房營業(yè)額的數(shù)據(jù)進行采集、清洗，通過數(shù)據(jù)挖掘技術(shù)，對營業(yè)額的特征因素進行提取，提取店鋪面積和距離車站最近距離作為特征因素，建立了多元線性回歸模型，實際上也可以稱為二元回歸模型，利用強大的Python3.6的簡潔、平臺無關(guān)性等優(yōu)勢，調(diào)用評分、預測等庫函數(shù)，對蛋糕房的營業(yè)額進行了預測，得到了較好的回歸模型和預測結(jié)果，從而為商家在蛋糕房分店地址的選取上提供了有力的理論支持，也可以為其他商家提供重要的參考依據(jù)，并很好地完成了實踐教學任務(wù)。

參考文獻：

[1]王勇，黃國興，彭道剛.帶反饋的多元線性回歸在電力負荷預測中的應用[J].計算機應用與軟件，2008，25（1）：82-84.

[2]周晨，馮宇東，肖匡心，等.基于多元線性回歸模型的東北地區(qū)需水量分析[J].數(shù)學的實踐和認識，2014（1）：118-223.

[3]HAN Jia-wei，KAMBER M.數(shù)據(jù)挖掘：概念與技術(shù)[M].范明，孟小峰譯.北京：機械工業(yè)出版社，2001，305-307.

[4]周斌，劉亞萍，吳泉源.一個面向電子商務(wù)的數(shù)據(jù)挖掘系統(tǒng)的設(shè)計與實現(xiàn)[J].計算機工程，2000，26（6）：18-20.

[5]王冠，司建輝，楊昌鐸.數(shù)據(jù)挖掘系統(tǒng)研究[J].北京工業(yè)大學學報，2005，31（4）：383-387.

[6] 羅霄， 任勇， 山秀明.基于Python的混合語言編程及其實現(xiàn)[J]. 計算機應用與軟件， 2004， 21（12）： 7.

[7] 鐘同圣， 衛(wèi)豐，王鷙， 等. Python語言和ABAQUS前處理二次開發(fā)[J].鄭州大學學報（理學版），2006（1）.

[8] HETLAND M L. Beginning Python： from novice to professional[M]. [S. l.]： Apress， 2005： 30-50， 286-295.

[9] DEITEL H M， DEITEL P J， LIPERI J P， 等. Python編程經(jīng)典[M]. 周靖 譯. 北京： 清華大學出版社， 2003： 495-513.

[10] 狄博，王曉丹.基于Python語言的面向?qū)ο蟪绦蛟O(shè)計課程教學[J]，計算機工程與設(shè)計，2014，36（4）.

[11] Labrinidis A， Jagadish HV. Challenges and opportunities with big data. PVLDB， 2012，5（12）：2032 2033. [doi： 10.14778/2367502. 2367572]

[12] Ren L. Research on interaction techniques in information visualization [Ph.D. Thesis]. Beijing： The Chinese Academy of Sciences，

2009 （in Chinese with English abstract）.

[13] Card S K， Mackinlay J D， Shneiderman B. Readings in Information Visualization： Using Vision To Think. San Francisco： Morgan- Kaufmann Publishers， 1999. 1-712.

【通聯(lián)編輯：唐一東】