单变量线性回归模型与结果解读

                                                                         模型一般形式

       统计模型的一般形式是Y=m(X)+e。其中Y为输出变量、响应变量、因变量、被解释变量；m为均值；e为不可控因子，可以理解为噪声。故模型等式右边是用X组成的函数去描述Y的均值，即模型是在平均的意义下去描述自变量与因变量间的关系，所以在解读模型的时候，我不会将模型说死。

       模型中不同形式的m（X）会幻化为不同的模型体系，一般可以将模型分为两大类：

• m（X）可以幻化为数学公式，即公式模型，一般比较成熟的都是公式模型，例如回归模型的理论与底蕴就比较完善，模型的假定都是可以进行检验的；
• m（X）过于复杂，用公式无法描述，需要用算法去描述，即算法模型，例如决策树模型。

       其实，建模的作用就是将看上去不太可能的事情联系到一起，同时又能将事情的来龙去脉解释清楚。模型构建之前都有假定，模型构建的好不好、是否合适都取决于模型是否符合假定，当然更核心的还是要关注模型在业务场景的应用，这才是建模的最主要的目的。

                                                                         回归的基本思路

       在模型领域，解释性较好的模型毋庸置疑就是回归。回归模型主要能做两件事情，一是用模型去体现事物间的关系，即解释模型变量间的关系；二是用模型进行预测。

       如下图所示，回归建模的工作流程即 将客观现实转化为数据后进行建模，终极目标是用数学模型将事物的来龙去脉解释清楚，作为数据分析师，讲故事的能力