在SAS学习过程中记下的笔记，一些初级的过程，比较适合SAS初学， 能做的分析有描述性统计+线性回归+logistic回归+生存分析+判别分析+聚类分析+主成分+典型相关分析等等。

一元线性回归测试数据，主要是含有一个属性值。通过这个属性值来预测输出。

纵向数据广泛存在于医学，金融等领域，是一种不平衡数据，一般使用线性混合模型处理。

论文建立含有总人口X1（万人）、农林牧渔业总产值X2（亿元）、国内工业生产总值X3（亿元）、国内建筑生产总值X4（亿元）、社会商品零售总额X5（亿元）、就业人员X6（万人），受灾面积X7（万公顷）、能源生产总量X8（万吨标准煤）、共8个因素的国家财政收入回归模型，应用逐步回归法，通过统计软件SPSS13.0的计算，分析各个因素对国家财政收入的影响程度。

一个Matlab非线性回归的小程序和例子。

python写的逻辑回归和线性回归做iris分类，在spyder中运行通过，希望对有兴趣的同学有用。 代码中给出了注释。

转载的 多元线性回归.ppt 多元线性回归是简单线性回归的直接推广，其包含一个因变量和二个或二个以上的自变量... 内容安排: 多元线性回归模型与参数估计 回归方程和偏回归系数的假设检验 标准化偏回归系数和确定系数 多元回归分析中的若干问题 回归分析中自变量的选择 多元线性回归分析的作用

基于灰色线性回归组合模型的游戏客户留存率预测研究，易文轾，郑少智，建立精确的在线游戏玩家留存率预测模型对游戏玩家群体日常维护和游戏运营的风险控制具有重要的实用价值。文章针对新时期下游戏产

#线性方程z=a∗x+b∗y+c表示空间一平面 xx, yy = np.meshgrid(np.linspace(0,10,10), np.linspace(0,100,10)) zz = 1.0 * xx + 3.5 * yy + np.random.randint(0,100,(10,10)) #随机生成空间上的x,y,z坐标 print(yy) # 构建成特征值的形式 X, Z = np.column_stack((xx.flatten(),yy.flatten())), zz.flatten() # 建立线性回归模型 regr = linear_model.LinearRegression() # 拟合 regr.fit(X, Z) # 不难得到平面的系数、截距 a, b = regr.coef_, regr.intercept_ # 给出待预测的一个特征 x = np.array([[5.8, 78.3]]) # 方式1：根据线性方程计算待预测的特征x对应的值z（注意：np.sum） print(np.sum(a * x) + b) # 方式2：根据predict方法预测的值z print(regr.predict(x)) 。。。

机器学习数据，包括lpsa.data、波士顿房价波动数据、kmeans_data.txt、sample_libsvm_data.txt等测试数据。