4.1.2　示例

在此示例中，在给定天气和日历信息的情况下，使用线性回归模型预测特定日期的自行车租赁数量。为了便于解释，这里检查了估计的回归权重。这些特征包括数值特征和分类特征。对于每个特征，表4-2 显示估计的权重、估计的SE 和t-统计量的绝对值（|t|）。

数值特征（例如“温度”）的解释：当所有其他特征保持不变时，将温度升高1°C，自行车的预测数量增加110.7。

分类特征（例如“天气情况”）的解释：与晴天相比，当为雨雪天气时，自行车的预测数量减少了1901.5；再次假设所有其他特征不变，当天气为雾时，自行车的预测数量比正常天气少了379.4。

所有的解释总是伴随“所有其他特征保持不变”，这是由线性回归模型的性质决定的。预测目标是加权特征的线性组合。估计的线性方程是特征/目标空间中的超平面（或在单个特征的情况下为直线）。权重指定每个方向上超平面的斜率（或梯度）。可加性将单个特征的解释与所有其他特征隔离开来。这是可能的，因为方程式中的所有特征效应（等于权重乘以特征值）都是用加号组合在一起的。但这种解释忽略了特征的联合分布，即只增加一个特征，且不改变另一个特征，这可能不合实际或者是不太可能的数据点。例如，如果不增加房屋面积，却增加房间数量可能就是不现实的。