?自動線性建模特點：

1）連續(xù)變量和分類變量都可以作為自變量進行線性自動建模师崎。

2）能自動尋找對因變量重要性最大的自變量瓜浸，舍棄重要性很小或不重要的自變量，我們不必去關心自變量秋冰，自動化的過程會根據數(shù)據的特征選擇最佳的自變量仲义。

3、會自動進行離群值和缺失值的處理剑勾。

如果已經在數(shù)據文件中對數(shù)據變量的“角色”屬性設置為【輸入】【目標】埃撵，便可以使用“使用預定義角色”。

如果沒有設置虽另，我們可以自定義【使用定制字段分配】暂刘，手動設置好“輸入”和“目標”，我們可以吧明顯不是自變量的變量移出“輸入”捂刺，比如“日期”谣拣。

【構建選項】：主要用來設置建立模型的相關參數(shù)。

【構建選項】--【目標】

目標--創(chuàng)建標準模型：創(chuàng)建一個可以使用自變量預測目標的傳統(tǒng)模型族展。

標準模型的評分速度更快芝发，易于理解，最常用苛谷。

目標--增強模型準確度：可生成一個模型序列來獲得更多精確地預測值辅鲸。

需要較長的時間來構建和預測評分。

目標--增強模型穩(wěn)定性：生成多個模型序列來獲得更多可靠的預測值腹殿。

需要更長的時間來構建和預測評分独悴。

目標--為大型數(shù)據集創(chuàng)建模型例书。。刻炒。决采。

【構建選項】--【基本】

主要用來設置是否自動準備數(shù)據，也就是是否自動進行離群值和缺失值等的處理坟奥。一般默認勾選“自動準備數(shù)據”

【構建選項】--【模型選擇】

1）包括所有預測變量：不做自變量篩選树瞭，將所有自變量都參與模型的建立。

2）向前步進：將自變量逐個引入模型中爱谁，并做顯著性驗證晒喷，之道再也沒有不顯著的自變量被剔除為止。若選擇【向前步進】的方法访敌，需要設置【條件】凉敲，默認為“信息條件Aicc”即可。

3）最佳子集：自動篩選最佳變量寺旺，因為選擇過重要考慮所有變量組合方式爷抓，因此時間長，變量超過10個時不建議使用阻塑。

PS：只有方法是“向前步進”時候蓝撇，才需要設置條件，默認Aicc即可陈莽。

選擇別的方法時唉地，沒有條件可選

信息準則Aicc：數(shù)值越小便是模型越好，需要對比不同模型的信息準則传透，選擇最優(yōu)的即可。

主要用于可能會建立多組模型時极颓，判斷模型的效果朱盐。

【模型選項】：主要用來設置模型的額保存

勾選“將預測值保存到數(shù)據集”后，可新生成一個預測變量菠隆，名字可以自定義兵琳。

此處保存模型，是為了后面做預測時進行使用

模型結果的解讀：

這張圖用進度條來展示模型擬合的效果骇径，類似于簡單線性回歸分析中的R方躯肌，類似于多種線性回歸分析中的調整后的R方。

本例模型的準確度達到了94.8%破衔，效果很好清女。

一般模型準確度大于70%就算擬合的不錯，小于60%時就需要修正模型晰筛，可以通過增刪自變量等方式進行修正嫡丙。

這個表沒什么卵用拴袭，了解一下就行

這個表說明了自變量對因變量的重要性，所有自變量的重要性之和為1曙博，其中自變量的重要性對模型的準確度無關拥刻。

本例中“廣告費用”的重要度為0.97，“廣告推廣渠道”的重要性為0.03.

如果效果好父泳，數(shù)據點應該是落在一條45度線上分布般哼。

本例中預測值和是基因變量值較為接近，預測效果較好惠窄。

這張是殘差圖：

殘差圖是指實際值和預測值自己建的差蒸眠，用于回歸診斷，也就是診斷當前模型是否滿足回歸模型的假設：回歸模型理想條件下的殘差圖應該服從正態(tài)分布睬捶。

本例中殘差直方圖和正態(tài)曲線是一致的黔宛，可以得出殘差圖是接近正態(tài)分布的結論，滿足回歸模型的假設擒贸。

這是殘差圖的P-P圖表達方式：越靠近直線臀晃，表示殘差的分布越接近正太分布。

庫克距離越大的個案介劫，對模型的影響越大徽惋，此類個案會導致模型精度的下降

線條上下順序是按照自變量的重要性大小降序排列。

線條的粗細表示顯著性水平座韵，顯著性水平越高的線條越粗险绘。

這是另一種表達方式，我們可以看出自變量的重要性和顯著性的具體數(shù)值誉碴。

這張【回歸效果圖】最重要宦棺，我們可以根據他得出結果。

上下位置代表自變量重要性黔帕；線條粗細代表顯著性代咸；顏色代表正負。

已表的方式展現(xiàn)成黄，可以看到具體數(shù)值：

我們發(fā)現(xiàn)兩個變量都具有極其顯著的統(tǒng)計學意義呐芥。

購買用戶數(shù)=1768.096+94.439*廣告費用--15.681*廣告投放渠道

因變量與各個自變量的均直線圖，不顯著的自變量不會生成對應的均直線圖奋岁。

我們采用的是【向前步進】方法思瘟，最后出來了兩個模型，我們選擇了模型2闻伶，即信息條件AICC值更小的模型

我們看一下如何進行預測：

【實用程序】--【評分向導】

選擇我們已經保存的模型

可以自定義預測值的名稱

結果如下：生成了一個新的變量“預測值”