1.散点图的使用 只要是涉及到两种变量都应该使用（根本在于看出散点图两种变量中的之间的关系）
散点图：用于展现数据快捷经典的方式，现实的是数据的分布情况， 与直方图不同的是，散点图显示的两种变量，散点图现实出现观察结果的成对关 系，一个好的散点图可以是原因说明的一个重要组成部分。2.直线的使用
贯穿数据的直线有可能是有效的预测办法直线的来源：考虑我们尝试解决问题时，使用的算法
散点图的合理分割，确定期望与实际相匹配的对象。有助于确定直线
平均值图形
定义：散点图，显示出X轴上的每个区间相对应的Y轴的数值画一条把图中平均值连接起来的直线，利用他就可以预测我们想要的数据。 3.使用
具有相关性，相关性为1或者是-1的时候，非常可靠的使用线性回归的的方式。利用程序的得到相关的函数，进而确定出我们需要的方程。1.外插法
定义：回归方程预测数据范围以外的数值车各位外插法。内插法对数据范围内的点进行预测，这也是回归方程本来的目的，内插法相对很准确； 人们随时都在使用外插法。使用外插法时就要指定附加假设条件，明确白确实不考虑数据集外发生的情况。 2.机会
机会误差=实际结果与模型预测结果之间的偏差
回归分析很少不偏不倚，这种实际结果与预测结果之间的偏差叫做机会误差，统计学中又把机会误差成为残差。
对残差的分析是优秀的统计模型的核心 指出误差并不意味着我们的分析是错误的，只能说明我们对于的真实程度无法 隐瞒，我们的客户越是理解我们的预测，越是能根据预测做出正确的决策。3.指定误差
需要一个统计值，体现出典型的点（观察结果）相对于回归线的平均偏移量可以告诉客户：实际结果与典型预测结果之间可能有多大差距
用均方根误差定量表示残差分析 使用程序确定均方根误差（后续介绍使用python处理）4，多条回归线
分区（将数据拆分成几个组称为分割）确定每个区域内的均方根误差管理误差预测和解释的平衡效果（合理的选择回归线的条数）