在基本的线性回归中，我可以使用每个解释变量的权重来描述它们对预测值的相对影响吗？如果参数 A 的权重为 100，参数 B 的权重为 10，我可以说参数 A 对结果的影响是参数 B 的 10 倍吗？块引用

有点是的。准确地说，这意味着如果 A 变化一个单位，结果平均会变化 100 次（而 B 被冻结，因为它是一个多元线性回归 -> 你有多个自变量）。

有大量的示例和博客对其进行解释，请参见此处的示例。您还可以通过执行一些统计测试来更多地分析您的回归模型，例如使用方差膨胀因子识别变量的相关性并估计统计显着性（p 值，F 检验），这是一个非常好的介绍。

一个例子：从一个天气数据集中，我使用了两个参数，湿度和压力，来预测温度。

我看不出你的分析有什么问题。正如您所说，您可以通过 -.32386 重量在绘图中看到湿度与温度之间的负相关。虽然 -.02219 的压力权重几乎为零且可以忽略不计，但显然您不会看到压力-温度之间的这种关系。

我认为你的分析有点过于简单化了。比较两个参数的值并没有真正的意义，因为不同的参数可能有不同的尺寸，通过比较不同尺寸的参数，你说的是：这个建筑物的高度比这辆车的重量高两倍.

这个问题问了一个类似的问题，对我来说最合理的选择是使用缩放变量（无量纲）而不是具有维度的测量变量。