在我們的免費在線課程中了解更多信息：
工業問題解決的統計思維
在這個例子中，我們擬合了一個預測模型不純使用擬合模型具有所有主效應和雙向交互作用項。
數據已劃分為訓練和驗證數據。 60% 的觀察被隨機分配到訓練集，40% 的觀察在驗證集中。
我們將模型擬合到訓練數據並在驗證數據上評估模型性能。
我們首先添加不純作為 Y 變量。
我們選擇所有的預測變量。 然後在宏下，我們選擇階乘到度. 這會將所有主要影響和雙向交互添加到模型中。
最後，我們選擇驗證列作為驗證變量。
我們運行我們的模型，具有主效應和雙向交互。
僅使用訓練集中的觀察值來估計參數。 驗證集中的觀測值在“預測值與實際值”和其他圖中以“v”作為標記，以將這些觀測值與訓練集中的觀測值區分開來。
模型性能的度量在 Crossvalidation 下報告。
訓練集的 R 方遠高於驗證集的 R 方。 並且 RASE 或均方根誤差在訓練集上比在驗證集上要低得多。 這很好地表明我們的模型是過擬合的。
我們將使用“效果匯總”表慢慢減少此模型，一次刪除一項。
請注意，更小、更簡單的模型在驗證集上的性能優於完整模型！
這意味著較小的模型比完整模型更能概括新數據。
