什么叫做“好”？
如何评价所选的模型好。这是一个相对的概念。因此只要是看参照物和指标。
理解这个问题之前，先要回顾一下，直觉意义上线性回归的本质，主要是希望通过模型，来尽可能的逼近、描述或解释真实数据。那具体是要逼近数据的什么属性呢？var，方差。
为什么方差这么重要？
一组数据，基本特性至少有两个，一个是位置，一个是离散型。位置好理解，即均值所代表的属性，数量上的大小，空间上的上下左右前后的位置概念。离散型，则是高矮胖瘦的概念。
为什么我们需要用离散性，而不是位置来当作重要属性用于逼近？这没有复杂的原因，可能取决于我们的目的。我们现在希望描述的是数据的高矮胖瘦，而不是了解数据在哪。就好像，我们有一个疑犯，我们希望有人提供他的位置信息，也希望有人提供他的外形特征。后者是我们关心的问题，起码是在回归这个问题上关心的问题，而并不是说前者就不重要。离散性，直觉层面其实就是我们说的，物体的高矮胖瘦以及一切影响我们对他辨识的特性，也就是物体在空间中不考虑位置的情形下的主要特征。这一点非常有意思，如果再联想一下，就能想到为什么所谓的principle component analysis会有意义，因为它也是关注到离散性是物体的核心属性，而希望从完整的维度信息出发，逐步删减次要维度以达到降维/简化的目的。相比而言，回归所做的，像是从单维度出发，逐步增加维度以提高解释性。蛮有意思。
下条再说参照物和指标…
