残差图表示实际值之间的误差。
Y 轴：残差 X 轴：预测变量或拟合值。
为什么我们想知道错误，我们在获得残差时有什么好处？我从视频上传了一张图片。我不明白插图中采样的是什么。
自变量和因变量在哪里？你如何识别错误？
它们进行一次计算并应用于图形的右侧，依此类推。
我正在上这门课，不知道老师在说什么。
有人可以一直打破这个吗？（这是初学者课程！）
以下是视频的文字记录：
检查预测值和实际值，我们看到了差异。我们通过减去预测值和实际目标值来获得该值。然后，我们将该值绘制在垂直轴上，以因变量为水平轴。同样，对于第二个样本，我们重复该过程。从预测值中减去目标值。然后相应地绘制值。查看该图可以让我们深入了解我们的数据。我们希望看到结果的均值为零，以相似的方差均匀分布在 x 轴周围。没有曲率。这种类型的残差图表明线性图是合适的
让我举个例子：假设我们想通过查看浴室的数量来预测房价。x 轴代表您的特征/自变量 (#bathrooms)，您的 y 轴代表响应/因变量。这些点代表您收集的训练样本，并且知道其自变量和因变量。
现在在线性回归中，我们的目标是根据我们还没有看到的#bathrooms 的新示例来预测房价。为此，我们必须通过数据点创建一条线，以最好地代表训练数据。那么，一条线是好线还是坏线呢？答案是成本/损失函数。在线性回归中，我们经常使用误差/残差(MSE) 的平方平均值：
其中是真实房价，是预测值。我们的目标是尽量减少这种损失。
绘制残差可以给我们很多见解：例如，我们在哪些训练样本上犯的错误最高。我们还可以看到残差是如何分布的。对于更复杂的应用程序，我们需要检查这个分布是否存在所谓的马尔可夫定理，它会过于详细。
残差是观察到的 y 值（来自散点图）和预测的 y 值（来自回归方程线）之间的差异。
残差图是在纵轴上显示残差，在横轴上显示自变量的图形。如果残差图中的点随机分布在水平轴周围，则线性回归模型适用于数据；否则，非线性模型更合适。
非随机残差模式表明拟合不佳，这表明可能需要非线性模型。