如果我们从这个角度来看问题。价格弹性是需求与产品价格之间的关系。

当这种情况下的 r 平方较低时，我们可能会暗示该特定产品的价格和需求之间的关系不是很强。

从定价的角度来看，这可能意味着您找到了一种可以任意定价的产品，而不会对需求产生很大影响，或者尽管定价不同，但需求却非常不稳定。

如果您查看Veblen 商品，它们是弹性反向的示例。随着价格上涨，需求增加。

另一方面，如果 r-square 较低，则它可能仅表示在需求方面价格相对不重要的一类产品。在我的脑海中，一种抗癌药物可能是一种可以坚持这种特性的东西。药物的重要性超过了它所要求的价格，并且需求不会发生变化。

最后，我假设面试官的意图可能是判断你是否知道低 r 方的含义，而不是找出如何用更高的 r 方构建更好的模型。

我不确定面试官的目的是什么，但是当面对一个表现不佳的模型时，这些是我考虑的事情，也是我作为面试官喜欢听到的答案（现在已经面试了几年）。

1. 获取更多数据：这可能并不总是有帮助，但有几件事可以帮助您评估此解决方案的效果：

   • 使用不同的样本大小运行模型 - 如果结果随着更多数据而改善，那么合理假设获得更多数据将继续提高模型性能。
   • 特征与样本的比率 - 选择特征后，尝试了解每个特征值是否有足够的样本。请参阅有关此主题的已回答问题。
   • 缺少目标值 - 弹性在不同价格范围之间的表现可能不同。在您的样本数据偏向特定范围的情况下，您很有可能无法进行概括（例如，90% 的样本适用于 0-10 之间的价格，而另外 10% 的样本适用于介于1000-10000)。除了获取更多数据（拆分模型训练，不要使用回归）之外，还有其他方法可以解决这个问题。

2. 更好的特征工程：如果你有足够的数据并且你知道深度学习，那么这个可能是无关紧要的。如果您不符合上述标准，请将您的精力集中在这一标准上。在用户行为模型中，我们的人类直觉比机器训练模型更好地理解了许多关系。
   就像您设计了更多功能并大大提高了模型性能一样。这一步很容易出错，因为它通常涉及基于逻辑的代码（如果 Elses/数学公式）。

3. 更好的模型选择：正如您所建议的，也许非线性模型会更好。你的数据是同质的吗？你有理由相信交叉特征能更好地解释价格弹性吗？（季节性 * 竞争对手的价格）。

4. 超参数调整：网格搜索模型的超参数（+交叉验证结果）是一个很好的实践，但就我的经验而言，它很少能大大提高性能（肯定不是从 5% 到 90%）。

还有更多可以做的事情，但这些点足够通用。

除了@DaFanat 和@Arun 的建议之外，我想补充一点，一些视觉检查可能会有所帮助。

例如，某些异常值可能会影响您的。在解决收入管理问题后，我不得不不断调查影响点。异常值通常与特定的一次性事件相关联，例如促销活动、折扣等。$R^2$