课程定位

用一条直线拟合业务数据后，整体指标看着不错，局部区间却可能持续高估或低估。这个专题围绕一元线性回归与模型验证，练习比较实际值、预测值和残差，确认哪些规律有数据支持，以及哪一段还需要进一步核查。

课程内容与学习重点

先定义输入输出与样本范围

以虚拟生产数量和处理时长为例，明确输入和输出单位、记录条件以及样本覆盖的区间。将训练样本和后续用于复核的样本区分开。先看散点分布，再拟合一条基准线，记录样本中哪些情况不适合直接比较，例如流程发生变化或记录时间不一致。

用残差定位不平均的偏差

把预测值与实际值逐行对应，记录差值方向和大小。按输入区间与时间顺序分别观察残差，看误差是否在高值区更大，或者在某一段集中朝同一方向。遇到一个明显偏离的样本，回到原记录核对其条件，再决定标注还是保留。比较调整前后的图，避免只为了好看删去不易解释的数据。

把解释与验证安排写出来

用独立样本复查高估与低估的区间，说明结论适用范围及仍需收集的信息。区分看到的模式和业务原因假设，例如样本不足、关系非线性或实际工作方式变化。给下一位分析人员留下数据版本、拟合设置和可复查样例，便于变更模型时继续对照。

适合人群

适合做业务分析、质量数据整理或机器学习入门的学员。能阅读表格和基本散点图更容易跟进案例。

自练可准备两组模拟业务记录，一组在常用区间拟合较好，一组增加一个处理条件不同的区间。用同一套表分别画出预测和残差，再为异常点找回来源编号。让同伴根据图说明哪个范围最容易产生偏差，并写下需要补充的记录。改动一个条件后用旧样本和新样本重新对照，把受影响区间说清楚。最后记录哪些判断来自图形、哪些需业务侧说明，避免把统计发现直接写成未经核实的因果结论。在每个区间标注实际样本数量，比较少量异常与大范围有方向偏差的情形。报告中给出带编号的一个例子，让读者能从图回到记录，亲自核对解释是否成立。

开课与报名咨询

本专题的开课时间、授课地点、授课老师、学制、费用和报名安排详询。咨询时可说明希望重点学习的场景。

整体误差较小就可以用于所有新样本吗？还要看模型在不同区间的表现，尤其是样本少或超出原范围的输入。

发现离群点必须去掉吗？应先核实记录和实际业务条件。证据不足时可同时保留和标注，再比较对结论的影响。

温馨提示：课程内容为拟定，具体实际讲授内容由授课老师根据学员情况灵活调整，最终以课堂授课为准。