线性回归计算器

📊 Linear Regression Calculator

📐 计算公式
最小二乘线性拟合 y = a·x + b:斜率 a = (nΣxy − Σx·Σy) ÷ [nΣx² − (Σx)²],截距 b = (Σy − a·Σx) ÷ n;R² = (nΣxy − Σx·Σy)² ÷ {斜率分母×[nΣy² − (Σy)²]}(分母为 0 时记 1),r = √|R²|×斜率符号,RMSE = √(SSE ÷ n)。校验:至少 2 组「x,y」数据点,所有 x 相同提示无法拟合直线。判据:R² ≥0.9 线性相关性强、≥0.6 中等相关、其余相关性较弱。
基于最小二乘线性回归,对 n 组 (x,y) 求斜率 a,配合截距 b 得到拟合直线 y=a·x+b,用于趋势预测与相关性分析。

Accepts x,y data pairs, one per line with comma or space separators, and fits a least-squares regression line y=ax+b together with the coefficient of determination R squared.

💡 最小二乘法:斜率 a = (n·Σxy − Σx·Σy) ÷ (n·Σx² − (Σx)²);截距 b = (Σy − a·Σx) ÷ n;相关系数 R² = [ (n·Σxy − Σx·Σy) ]² ÷ [ (n·Σx² − (Σx)²) · (n·Σy² − (Σy)²) ]。

Formula & Standard References

Item Formula / Note Source / Standard
Least squaresMinimise residual sum of squaresLegendre 1805
Regression coefficientsb = Sxy/SxxRegression analysis
Intercepta = ȳ − b·x̄Regression basics
R squaredR² = 1 − SSE/SSTCoefficient of determination
Correlationr = Sxy/√(Sxx·Syy)Pearson 1895
Residual diagnosticsResiduals i.i.d., no trendRegression diagnostics
⚠️ 使用说明与注意事项
  • 至少需要 2 组有效数据点才能拟合
  • 每行格式:x,y(逗号、空格或制表符分隔)
  • R² 越接近1表示线性相关性越强
  • 本工具纯前端运行,数据不会上传到服务器

🕘 最近计算

暂无计算记录

📚 深度解析:线性回归(最小二乘法)计算

💡 常见使用场景

方法
最小二乘:斜率 b=(n·Σxy−Σx·Σy)÷(n·Σx²−(Σx)²),截距 a=(Σy−b·Σx)÷n;相关系数 r=(n·Σxy−Σx·Σy)÷√[(n·Σx²−(Σx)²)(n·Σy²−(Σy)²)];|r| 越接近 1 线性越强。
算例
点 (1,2)(2,3)(3,5)(4,4)(5,6):n=5,Σx=15,Σy=20,Σxy=69,Σx²=55,Σy²=90;b=(5×69−15×20)÷(5×55−225)=45÷50=0.90,a=(20−0.9×15)÷5=1.30,r=0.90;拟合直线 y=1.30+0.90x,x=6 时预测 y=6.70。

❓ 常见问题(FAQ)

r=0.9 代表什么?
r 为 0.9 表示强正相关,x 增大 y 明显增大;但相关不等于因果,且外推到 x 远离样本区间时预测误差会变大。
最少需要几个点?
至少 2 个点才能定一条直线,但 n 过小拟合不可靠、r 易虚高;建议样本足够且先画散点确认近似线性再拟合。
📖关于「线性回归计算器」 ▼

📝工具简介

线性回归计算器采用最小二乘法,对输入的 x,y 数据点进行一元线性拟合,输出回归方程 y=ax+b、决定系数 R²、相关系数 r 与均方根误差,适用于数据趋势分析与统计学习。

✨功能特点

🎯使用场景