解释残差

让我们把这个过程自动化，针对 house_prices 中的全部 21K 行计算残差。随后，您将用它来计算「残差平方和」：衡量模型拟合不足的指标。在计算残差平方和之后，您需要回答以下问题：

以下哪一项关于残差的说法是错误的？

本练习是课程的一部分

Tidyverse 的数据建模

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Automate prediction and residual computation
___

编辑并运行代码

本练习是课程的一部分

Tidyverse 的数据建模

SkillTag.level.intermediateSkillTag.label

4.9+

免费开始课程

本章将向您介绍建模的一些背景理论与术语，重点包括通用建模框架、用于解释与用于预测的建模之区别，以及建模问题本身。此外，您将开始进行第一次探索性数据分析，这是任何正式建模之前至关重要的第一步。

Exercise 1: 解释型建模背景 Exercise 2: 年龄的探索性可视化 Exercise 3: 年龄的数值汇总 Exercise 4: 预测建模背景 Exercise 5: 房屋面积的探索性可视化 Exercise 6: 房屋面积的 Log10 变换 Exercise 7: 用于解释的建模问题 Exercise 8: 教学评分与"beauty"分数的 EDA Exercise 9: 教学评分与"美貌"评分的相关性 Exercise 10: 用于预测的建模问题 Exercise 11: 房价与临水属性的 EDA Exercise 12: 用 waterfront 预测房价

在掌握通用建模框架后，本章将讲解基础线性回归。您将保持设置简单，将结果变量 y 建模为单个解释/预测变量 x 的函数。我们会同时使用数值型和分类型的 x 变量。本章关注的结果变量是德克萨斯大学奥斯汀分校授课教师的教学评分。

Exercise 1: 用年龄解释教学评分 Exercise 2: 绘制"最佳拟合"的回归线 Exercise 3: 用数值型 x 拟合回归 Exercise 4: 用年龄预测教学评分 Exercise 5: 使用 "beauty score" 进行预测 Exercise 6: 计算拟合/预测值与残差 Exercise 7: 用性别解释教学评分 Exercise 8: 评分与职级关系的 EDA Exercise 9: 用分类 x 拟合回归 Exercise 10: 用性别预测教学评分 Exercise 11: 使用 rank 进行预测 Exercise 12: 可视化残差分布

上一章中，您学习了只使用单个数值或单个分类预测变量的基础回归。但为何只用一个变量来支持解释或预测？现在，您将把基础回归扩展为多元回归，从而在模型中纳入不止一个解释或预测变量。您将使用西雅图（华盛顿州）都会区的房屋数据集来建模房价。

Exercise 1: 用年份与面积解释房价 Exercise 2: 关系的 EDA Exercise 3: 拟合回归模型 Exercise 4: 用年份与面积预测房价 Exercise 5: 使用面积和卧室数进行预测 Exercise 6: 解释残差

当前练习

Exercise 7: 用面积与房况解释房价 Exercise 8: 平行斜率模型 Exercise 9: 解读平行斜率模型 Exercise 10: 用面积与状况预测房价 Exercise 11: 使用面积和是否临水进行预测 Exercise 12: 对"新"房源进行自动化预测

前几章中，您拟合了多种模型来解释或预测关注的结果变量。然而，我们如何判断该选择哪些模型？模型评估度量可用于判断解释性模型对数据的"拟合"程度，或预测性模型的准确性。基于这些度量，您将学习判定"最佳"模型的准则。

Exercise 1: 模型评估与选择 Exercise 2: 复习：残差平方和 Exercise 3: 应选择哪个模型？Exercise 4: 使用 R-squared 评估模型拟合度 Exercise 5: 计算模型的 R-squared Exercise 6: 比较两个模型的 R-squared Exercise 7: 用 RMSE 评估预测 Exercise 8: 计算模型的 MSE 与 RMSE Exercise 9: 比较两个模型的 RMSE Exercise 10: 验证集预测框架 Exercise 11: 将模型拟合到训练数据 Exercise 12: 在测试数据上进行预测 Exercise 13: 总结——接下来该怎么做？