随着横坐标逐渐的增大，也是逐渐增大，是就是正相关。如果不是并且相反就是负相关。
分以下几种情况：
1、无明显关系，散点比较散乱。
2、线性相关。可以大概的看出散点大概的排列在一条直线上下。
3、非线性相关。一般有指数相关，对数相关等。需要将数值转换为指数形式或者对数形式，重新
制作散点图确认。
扩展资料：
制图步骤
确定变量
明确预测的具体目标，也就确定了因变量。如预测具体目标是下一年度的销售量，那么销售量Y就是因变量。通过市场调查和查阅资料，寻找与预测目标的相关影响因素，即自变量，并从中选出主要的影响因素。
建立预测模型
依据自变量和因变量的历史统计资料进行计算，在此基础上建立回归分析方程，即回归分析预测模型。
进行相关分析
回归分析是对具有因果关系的影响因素（自变量）和预测对象（因变量）所进行的数理统计分析处理。只有当自变量与因变量确实存在某种关系时，建立的回归方程才有意义。
因此，作为自变量的因素与作为因变量的预测对象是否有关，相关程度如何，以及判断这种相关程度的把握性多大，就成为进行回归分析必须要解决的问题。进行相关分析，一般要求出相关关系，以相关系数的大小来判断自变量和因变量的相关的程度。
计算预测误差
回归预测模型是否可用于实际预测，取决于对回归预测模型的检验和对预测误差的计算。回归方程只有通过各种检验，且预测误差较小，才能将回归方程作为预测模型进行预测。
确定预测值
利用回归预测模型计算预测值，并对预测值进行综合分析，确定最后的预测值。
参考资料来源：百度百科-回归分析
在回归分析中，数据点在直角坐标系平面上的分布图，散点图表示因变量随自变量而变化的大致趋势，据此可以选择合适的函数对数据点进行拟合。
用两组数据构成多个坐标点，考察坐标点的分布，判断两变量之间是否存在某种关联或总结坐标点的分布模式。散点图将序列显示为一组点。值由点在图表中的位置表示。类别由图表中的不同标记表示。散点图通常用于比较跨类别的聚合数据。
散点图矩阵
当欲同时考察多个变量间的相关关系时，若一一绘制它们间的简单散点图，十分麻烦。此时可利用散点图矩阵来同时绘制各自变量间的散点图，这样可以快速发现多个变量间的主要相关性，这一点在进行多元线性回归时显得尤为重要。
以上内容参考：百度百科-散点图
本回答被网友采纳大量数据点时，请使用散点图。散点图中包含的数据越多，比较的效果就越好。
随着横坐标逐渐的增大，看从坐标起点开始是不是也是逐渐增大，如果是那么就是正相关，
如果不是并且相反就是负相关。分以下几种情况：1、无明显关系，散点比较散乱。
2、线性相关。可以大概的看出散点大概的排列在一条直线上下。3、非线性相关。
一般有指数相关，对数相关等。需要将数值转换为指数形式或者对数形式，重新
制作散点图确认（一般转换X轴的数据）。本回答被网友采纳