Python建模-线性回归

前段时间做了个信贷业务投放获客的回归预测模型，本文来对 Python线性回归建模 做个简单的总结：

1. 背景

投放获客的重要性已经不必多说，尤其是信贷业务。投放模块所涉及的数据分析有很多，其中之一的业务场景就是预测：接下来可能要增加投放费用或者缩减投放费用，希望能够预测在目标的投放费用下所能带来的量。

2. 思考

虽然Google、Facebook、头条、百度等广告商已经将我们掌控了，但在黑箱子之下，结果数据之间是否具有规律，这值得探索。通过历史数据的投放费用和下载量能够得到下载单价，如果投放费用和下载单价之间具有函数关系，那通过历史数据就能得到投放费用和下载单价之间的关系，从而对给定的投放费用预测其对应的下载单价，有了下载单价就能计算得到下载量，有了下载量就能基于稳定的下载注册率以及注册进件率计算得到注册量及进件量。

3. 实操

基于以上的业务场景和思考，尝试对数据进行探查，在确定自变量（投放费用）和因变量（下载单价）之间确实存在强相关性后，进一步建模得到回归方程。具体的分析及建模过程详见以下notebook：Python建模-线性回归，数据已做脱敏处理，并非实际业务数据，且对过程做了简化，实际业务中可能要做细分，比如不同的广告渠道分别建模、不同的广告系列分别建模等，再组合成最终的模型。

以上即是 Python线性回归建模 的思路及过程，希望能够对你有所启发，如有疑问，可在评论区留言。

原创文章，转载请务必注明出处并留下原文链接。