1. 概述
1.1 应用场景
分析算法提供了三种自带算法：一元回归、K-Means聚类、HoltWinters时序分析，支持用户通过定制自定义分析算法。能够满足以下数据分析和任务需求：
•线性关系分析：使用一元回归功能，可以分析两组变量之间的线性相关关系，评估实际值与预测值之间的误差，为业务决策提供数据支持。
•数据挖掘与归类：面对数据集中种类属性不明晰的情况，K-Means聚类算法能够自动将数据点归类为具有相似特点的对象，助力数据驱动的市场细分或用户画像构建。
•时间序列预测：通过HoltWinters时序分析，用户能够预测未来一段时间内数据的变化趋势，为库存管理、销售预测等场景提供前瞻性的洞见。
1.2 功能简介
分析算法，将维度、度量列作为分析变量，进一步分析各变量之间的关系，并通过图表展示分析结果，变量关系清晰明了。此外，还支持定制算法，进一步丰富数据分析的能力。报告端与数据集端均支持。要使用分析算法，需要先配置Rserver，配置方法参考《R安装、启动》和《R配置》。
➢说明：
本章节模块为产品高级模块，需单独购买：Y+Analytics。
2.功能说明
进入【创建数据集】页面，打开数据集“咖啡中国市场销售数据”，进入元数据页面，点击数据列“更多”按钮，选择【新建分析算法】，如下图。
在弹出的“ 分析算法” 窗口中输入名称，选择分析算法类型，选择并设置算法需要的数据列或属性值，或自定义R脚本，返回新的R字段（输出值）。根据分析算法生成R字段，作用域是当前数据集，所有使用该数据集的报告都能使用此数据集上的R字段。
数据集中可以用四种分析算法进行快速绘图。
2.应用举例
2.1 一元回归分析
回归分析是一种应用非常广泛的分析模型，是统计学中用于探究两个或多个变量之间关系的方法。在一元回归分析中，我们主要关注一个因变量（Y）与一个自变量（X）之间的线性关系。当两者呈线性关系时，它们之间的关系可以用直线表示，数学表达式为y = ax + b，其中y是因变量，x是自变量，a和b是常数。当因变量和自变量为非线性关系时，它们之间的关系可以用曲线表示，自变量的指数（幂，即多项式次方）大于1。
【自变量】x，自变量字段。
【因变量】y，因变量字段。
【多项式次方】表示自变量与因变量的N次方函数关系，默认为1（即线性关系）。
【输出值】
•拟合值：勾选以获取每个样本点的预测值。根据训练数据得到回归模型后，会对给定的样本值(x1,x2,...,xn)做预测，预测结果为拟合值，是(y1,y2,...,yn)的估计值。
•残差：勾选以计算实际值与预测值之间的差，即y的实际值减去拟合值。
•置信区间：勾选以根据给定的置信水平（默认为95%）计算置信区间。置信区间是统计学中的一个概念，用于描述一个参数或统计量的不确定性范围。它是一个区间，通常以一定的置信水平表示（例如95%置信水平），表示这个区间内包含真实参数值的概率。
示例：使用一元回归分析算法对一系列身高和体重数据进行建模，找出身高（自变量X）与体重（因变量Y）之间的线性关系，并计算体重的拟合值。在数据集上创建分析算法，如下图，
输出结果如下图。
2.2 K-Means聚类分析
K-Means聚类是一种常用的聚类算法，通过指定聚类的个数N，将数据集分成N个类别。算法随机选择N个样本作为初始中心点，然后根据每个样本到中心点的距离进行迭代归类，直至中心点不再变化。
在R中使用kmeans(data,centers=3,nstart=10)函数进行K-means聚类，其中centers参数用来设置分类个数，nstart参数用来设置取随机初始中心的次数，即运行kmeans方法的次数，我们在用kmeans 函数时，默认取10。
【聚类维度】聚类的样本集。从左侧的可配置列中选择需要聚类的字段拖入到聚类维度框中。
【设置K 值】分类个数。可以手动输入分类个数，也可以输入最大K值，系统会根据轮廓系数计算出最佳的K值。
【输出值】
•聚类标签：每个样本所属的类别。
•主成分：对聚类的维度做主成分分析，取最重要的两个成分。
示例：根据四种属性对三种花进行分类，使用K-Means聚类算法将它们分成不同的组别。在图表上创建K-means 聚类分析，如图。
聚类结果如图。
2.3 HoltWinters时序分析
Holt-Winters时序分析是一种用于时间序列数据预测的方法，它考虑了数据的水平趋势、季节性趋势和随机成分。该算法能够根据历史数据预测未来一段时间内的数据。
【时间列】选择时间字段。系统会根据选择的时间字段，自动算出时间间隔。
【数据列】需要分析的数据字段。在报表端新建分析算法或使用图表的快速分析算法时，需要选择聚合函数，这样将按时间列进行分组，数据列进行聚合，在此分组聚合之后的数据上进行时序分析。
【周期】系统会根据时间列自动填入一个合理的数值，也可手动修改。修改时需填入时间间隔的整数倍，系统根据周期和时间间隔（周期/时间间隔）算出频率，即单位时间内的观测数。
【往后预测跨度】需要预测的未来时间跨度，系统会根据时间列自动填入一个合理的数值，也可手动修改。修改时需填入时间间隔的整数倍。
【趋势(beta)】是否考虑纵向趋势。默认是被勾选，表示按纵向趋势拟合。
【季节因子(gamma)】是否考虑季节性趋势。不勾选则非季节性模型拟合。勾选则进行季节性模型拟合。季节性模式可选择加法效应和乘法效应。默认为加法效，表示按季节性加法的趋势增长。乘法效应表示按季节性乘法趋势增长。季节性模型拟合时，需满足一个周期内至少有两个数据点，即频率大于等于2，且时间序列至少包含2个周期。
【输出值】
•预测值：根据模型计算的未来数据预测值。勾选后会得到一个拟合值字段。其结果是根据得到的模型，对往后预测的时间跨度做预测，算出预测值。
•置信区间：根据给定的置信水平计算的预测值上界和下界。勾选后会根据Level算出估计值的上界和下界，默认Level 是95%。
示例：假设有从1957年1月到1958年12月的数据，时间间隔为1个月，使用Holt-Winters时序分析预测未来12个月的数据，不考虑趋势和季节性因素，如下图。
预测结果如图。
通过定制功能，用户可以自定义分析算法以满足特定需求。这通常涉及到编写R脚本，并指定计算类型和返回值。
【计算类型】在数据集中创建定制分析算法，固定位细节计算，不支持聚合计算。在报告端创建定制分析算法，可选择细节计算和聚合计算，聚合计算出来的R字段为聚合字段。
【脚本】在脚本区域输入R代码，使用col[["xxx"]]或param[["xxx"]]访问数据集字段或参数。xxx为列名或参数名。对于定制脚本，R将脚本执行的结果作为返回值返回。Yonghong 产品中要求返回值必须是list对象，包含若干返回值列，如list(out1=a, out2=b)，其中out1,out2 为返回值列的名称，而a，b为相应返回值列的取值，可以是常数或向量。
其他R脚本请参考R官网。
示例：通过编写R脚本实现特定的数据处理或分析逻辑，并返回自定义的计算结果。定制举例如下图。
