讓我們把這個流程自動化，對 house_prices 中所有 21K 筆資料計算殘差。你會用這些殘差來計算「殘差平方和」（sum of squared residuals）：這是衡量模型不擬合程度的指標。計算出殘差平方和後，請回答下列問題：
house_prices
以下哪些關於殘差的敘述是「不正確」的？
本練習屬於課程
試著完成這個範例程式碼，體驗一下這個練習。
# Automate prediction and residual computation ___
本章將介紹建模的背景理論與術語，特別是一般建模架構、解釋型建模與預測型建模的差異，以及建模問題本身。此外，你也會開始進行第一次的探索性資料分析，這是在任何正式建模之前至關重要的第一步。
在掌握一般建模架構後，本章將介紹基本線性迴歸，你會先從簡單情境出發，把結果變數 y 視為單一解釋／預測變數 x 的函數。我們會同時使用數值型與類別型的 x 變數。本章的重點結果變數是德州大學奧斯汀分校教師的教學評分。
在前一章中，你學會了僅使用單一數值或單一類別預測變數的基本迴歸。不過，為何只用一個變數來進行解釋或預測呢？你現在將把基本迴歸擴展為多元迴歸，讓模型能納入一個以上的解釋或預測變數。你將使用西雅圖都會區的房屋資料集來建構房價模型。
當前練習
在前幾章中，你配適了各種模型來解釋或預測關注的結果變數。然而，我們怎麼知道該選哪些模型？模型評估指標可用來衡量解釋型模型與資料的「擬合」程度，或預測型模型的準確度。根據這些指標，你將學習判斷哪些模型是「最佳」的準則。