难以理解具有多个特征的线性回归
Difficulty in understanding linear regression with multiple features
假设可以很容易地根据房屋面积（预测变量）绘制房屋价格（目标变量），我们可以看到绘制的数据并通过数据绘制最佳拟合线。
但是，考虑一下我们是否有预测变量（大小、no.of 卧室、位置、no.of 楼层）等。我将如何根据
目标变量并在二维图形上可视化它们？
如果你真的想要一个二维图形，那当然不容易。一种可能的方法是使用 Principal Component Analysis 之类的方法将数据的维数减少到 2。然后你可以再次在二维中绘制它。减少到 3 维而不是 2 维可能仍然有效，人类可以很好地理解在 2D 屏幕上绘制的 3D 图。
虽然您通常不需要手动进行线性回归，因此您也不需要数据的二维绘图。您可以让您的计算机计算线性回归，并且它可以完美地处理超过 2 或 3 个维度的方式。
计算应该不是问题（无论维度如何，数学都有效），但绘图肯定会变得棘手。 PCA 可能难以解释，强制正交性在这里可能不合适。我会查看此处提供的一些建议：https://stats.stackexchange.com/questions/73320/how-to-visualize-a-fitted-multiple-regression-model
从根本上说，这取决于您要传达的内容。身材好吗？也许将多个残差图放在一起。
假设可以很容易地根据房屋面积（预测变量）绘制房屋价格（目标变量），我们可以看到绘制的数据并通过数据绘制最佳拟合线。
但是，考虑一下我们是否有预测变量（大小、no.of 卧室、位置、no.of 楼层）等。我将如何根据 目标变量并在二维图形上可视化它们？
如果你真的想要一个二维图形，那当然不容易。一种可能的方法是使用 Principal Component Analysis 之类的方法将数据的维数减少到 2。然后你可以再次在二维中绘制它。减少到 3 维而不是 2 维可能仍然有效，人类可以很好地理解在 2D 屏幕上绘制的 3D 图。
虽然您通常不需要手动进行线性回归，因此您也不需要数据的二维绘图。您可以让您的计算机计算线性回归，并且它可以完美地处理超过 2 或 3 个维度的方式。
计算应该不是问题（无论维度如何，数学都有效），但绘图肯定会变得棘手。 PCA 可能难以解释，强制正交性在这里可能不合适。我会查看此处提供的一些建议：https://stats.stackexchange.com/questions/73320/how-to-visualize-a-fitted-multiple-regression-model
从根本上说，这取决于您要传达的内容。身材好吗？也许将多个残差图放在一起。