们应该怎么做呢？我们应该去判断开发出来的模型有没有很好地拟合整个数据 集里的所有数据。为什么要用到可视化呢？原因是因为绘图是一种非常直观的判 断方式。 我们可以使用回归图来进行评估。回归图实际上是两种图的组合，首先是根 据数据集中的数据直接在坐标系里绘制出来的散点图：其次是对散点进行拟合得 到的一条线性回归线。右下角这个图就是之前的notebook中出现过的汽车在高 速公路上每英里的油耗和汽车售价之间的回归图。从这张图中我们可以看到几乎 所有的散点都很平均地分布在线性回归线的两侧，而且距离线性回归线都不太远 而这条线性回归线又是一条递减的直线，所以这张图可以很直观地告诉我们，这 两个因素之间是存在着负相关关系的。 50000 40000 30000 20000 10000 0 20 0 40 50 60 highway-mpg 对于简单线性回归，我们可以使用残差图来进行评估。那首先我们要理解什 么是残差，残差就是观测值和预测值之间的误差。在左边这张图中，红颜色的直 线就是我们拟合出来的线性回归线，线性回归线上点就是预测值，那些散点就是 实际的观测值。实际的观测值到拟合的回归线之间沿Y轴方向的距离就是残差。 为了更清楚地观察这张图上的数据，我们把它转换成残差图。在残差图中X等于 0的这条直线，也就是X轴，表示的就是这条红色的最佳拟合线。所有的散点到们应该怎么做呢？我们应该去判断开发出来的模型有没有很好地拟合整个数据 集里的所有数据。为什么要用到可视化呢？原因是因为绘图是一种非常直观的判 断方式。 我们可以使用回归图来进行评估。回归图实际上是两种图的组合，首先是根 据数据集中的数据直接在坐标系里绘制出来的散点图；其次是对散点进行拟合得 到的一条线性回归线。右下角这个图就是之前的 瀁瀂瀇濸濵瀂瀂濾 中出现过的汽车在高 速公路上每英里的油耗和汽车售价之间的回归图。从这张图中我们可以看到几乎 所有的散点都很平均地分布在线性回归线的两侧，而且距离线性回归线都不太远， 而这条线性回归线又是一条递减的直线，所以这张图可以很直观地告诉我们，这 两个因素之间是存在着负相关关系的。 对于简单线性回归，我们可以使用残差图来进行评估。那首先我们要理解什 么是残差，残差就是观测值和预测值之间的误差。在左边这张图中，红颜色的直 线就是我们拟合出来的线性回归线，线性回归线上点就是预测值，那些散点就是 实际的观测值。实际的观测值到拟合的回归线之间沿 Y 轴方向的距离就是残差。 为了更清楚地观察这张图上的数据，我们把它转换成残差图。在残差图中 X 等于 0 的这条直线，也就是 X 轴，表示的就是这条红色的最佳拟合线。所有的散点到