此篇为微软系列挖掘算法的最后一篇了，完整该篇之后，微软在商业智能这块提供的一系列挖掘算法我们就算总结完成了，在此系列中涵盖了微软在商业智能（BI）模块系统所能提供的所有挖掘算法，当然此框架完全可以自己扩充，可以自定义挖掘算法，不过目前此系列中还不涉及，只涉及微软提供的算法，当然这些算法已经基本涵盖大部分的商业数据挖掘的应用场景，也就是说熟练了这些算法大部分的应用场景都能游刃有余的解决，每篇算法总结包含：算法原理、算法特点、应用场景以及具体的操作详细步骤。为了方便阅读，我还特定整理一篇目录：大数据时代：深入浅出微软数据挖掘算法总结连载，有兴趣的可以点击参阅。
本篇介绍的为Microsoft线性回归分析算法，此算法其实原理和Microsoft神经网络分析算法一样，只是侧重点不一样，Microsoft神经网络算法是基于某种目的，利用现有数据进行“诱探”分析，侧重点是分析，而Microsoft线性回归分析算法侧重的是“预测”，也就是基于神经网络分析出来的规则，进行结果的预测。
应用场景介绍
该算法的应用场景和上一篇的Microsoft神经网络分析算法一样，不清楚的可以点击查看，可以简单列举：
营销和促销分析，如评估直接邮件促销或一个电台广告活动的成功情况。
根据历史数据预测股票升降、汇率浮动或其他频繁变动的金融信息。
分析制造和工业流程。
文本挖掘。
分析多个输入和相对较少的输出之间的复杂关系的任何预测模型。
其实该算法为Microsoft神经网络分析算法的补充算法，上一篇我们已经介绍了，当我们面对一堆的数据而要基于某种目的去数据挖掘时，感觉到无从下手或者在DM中选择不到合适的算法的时候，这时候我们会应用到Microsoft神经网络分析算法，当我们用Microsoft神经网络分析算法分析出规则的时候，我们就的利用Microsoft线性回归分析算法进行结果预测了。
技术准备
（1）微软案例数据仓库（AdventureWorksDW208R2），案例数据仓库中的呼叫中心的数据表，和上一篇的Microsoft神经网络分析算法用到的是同一张事实表FactCallCenter，详细可参阅上篇。
（2）VS2008、SQL Server、 Analysis Services。
挖掘目的
上一篇我们已经利用Microsoft神经网络分析算法对微软案例数据库中的呼叫中心数据进行了简要的分析，通过分析其实我们知道了影响“挂断率”这个指标的因素最主要的是两个：第一个是应答平均时间（AverageTimePerIssue），第二个就是上班阶段（Shift），并且推断深夜上班挂断率低等规则吧，本篇我们将利用这些规则来做挖掘。
两个目标：
1、根据规则发掘出平均应答时间调整到多少最好，或者基于目标，比如要求挂断率控制在0.05以内，应答时间应该控制在多少合适。
2、如何安排岗位时间及岗位人数最佳，比如：安排几班岗位，每个岗位安排多少人，然后什么时间上班最好。
操作步骤
（1）我们这里还是利用上一期的解决方案，直接打开，看图：
我们来新添加Microsoft路逻辑回归算法，在挖掘模型面板中，右键添加新的算法，不明白的可以参考我前几篇文章