线性组合，也就是一条直线。它的通用公式是因变量y=β0+B1*x1,因变量只 依赖于单一的自变量，在这里我们就称它为预测因子。下面这张图中我们看到的 所有的蓝色的散点就表示实际的x和y构成的点，也就是根据x值，实际的y取 值可以通过这些散点来得知。黑色的这条就是拟合出来的直线，对未来的值的预 测可以取x的某一个值，在这条拟合上出来的黑线上对应的取它的y值，就是我 们预测出来的值。 500 Y=Bo+B1 X1 400 300 单一预测因子 200 因变量 100 在这个模型中，我们要怎样通过散点计算出来这条直线的最佳拟合的参数呢？ 我们可以这样定义，B0和β1应该能够使得拟合出来的直线是最佳的一条直线， 所有的散点到这条直线在y轴上的距离的方差之和应该最小。什么意思呢？也就 是说，我们拟合出来的直线上任取一个x值，对应的y值就是我们的预测值，但 是实际上y的值是实心圆表示的值，那么实际值和预测值之间就会有一个误差， 这个误差有时候是正的，有时候是负的。 C02 Engine Size线性组合，也就是一条直线。它的通用公式是因变量 瀌=β0 + β1 * 瀋1，因变量只 依赖于单一的自变量，在这里我们就称它为预测因子。下面这张图中我们看到的 所有的蓝色的散点就表示实际的 瀋 和 瀌 构成的点，也就是根据 瀋 值，实际的 瀌 取 值可以通过这些散点来得知。黑色的这条就是拟合出来的直线，对未来的值的预 测可以取 瀋 的某一个值，在这条拟合上出来的黑线上对应的取它的 瀌 值，就是我 们预测出来的值。 在这个模型中，我们要怎样通过散点计算出来这条直线的最佳拟合的参数呢？ 我们可以这样定义，β0 和β1 应该能够使得拟合出来的直线是最佳的一条直线， 所有的散点到这条直线在 瀌 轴上的距离的方差之和应该最小。什么意思呢？也就 是说，我们拟合出来的直线上任取一个 瀋 值，对应的 瀌 值就是我们的预测值，但 是实际上 瀌 的值是实心圆表示的值，那么实际值和预测值之间就会有一个误差， 这个误差有时候是正的，有时候是负的