在我们的免费在线课程中了解更多信息：
工业问题解决的统计思维
在这个例子中，我们拟合了一个预测模型不纯使用拟合模型具有所有主效应和双向交互作用项。
数据已划分为训练和验证数据。 60% 的观察被随机分配到训练集，40% 的观察在验证集中。
我们将模型拟合到训练数据并在验证数据上评估模型性能。
我们首先添加不纯作为 Y 变量。
我们选择所有的预测变量。 然后在宏下，我们选择阶乘到度. 这会将所有主要影响和双向交互添加到模型中。
最后，我们选择验证列作为验证变量。
我们运行我们的模型，具有主效应和双向交互。
仅使用训练集中的观察值来估计参数。 验证集中的观测值在“预测值与实际值”和其他图中以“v”作为标记，以将这些观测值与训练集中的观测值区分开来。
模型性能的度量在 Crossvalidation 下报告。
训练集的 R 方远高于验证集的 R 方。 并且 RASE 或均方根误差在训练集上比在验证集上要低得多。 这很好地表明我们的模型是过拟合的。
我们将使用“效果汇总”表慢慢减少此模型，一次删除一项。
请注意，更小、更简单的模型在验证集上的性能优于完整模型！
这意味着较小的模型比完整模型更能概括新数据。
