线性回归计算器
线性回归计算器（通用）。输入多组 (x,y) 数据点，最小二乘拟合直线、给出斜率截距与相关系数，用于趋势预测与相关性分析，需至少 2 组数据。
📊 Linear Regression Calculator
📐 计算公式
a = (n·Σxy − Σx·Σy) ÷ (n·Σx² − (Σx)²)
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) ]。
⚠️ 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
- 趋势拟合：对一组 (x,y) 数据点求最佳拟合直线与斜率
- 相关性判断：用相关系数 r 衡量线性关系密切程度
- 预测外推：代入 x 用拟合直线预测 y
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。
▼
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
- 最小二乘法线性拟合
- 输出 R²、r、RMSE
- 自动相关性强度判读
- 支持逗号/空格分隔
使用场景
- 实验数据趋势分析
- 销量/成本预测建模
- 统计学习与教学
- 相关性检验