今天内容少，也不打算上实例，勉强算理一理知识点吧
当预测的数列本身是个分类型数据时，评价预测结果好与不好可以用混淆矩阵及其相关的那些个指标，像正确率、查全率、F-指标什么的
而当预测的是个连续型变量时，也会有几种不同的评价方式
1） 相关性，函数cor或cor.test，这恐怕是最常用的一种了
输入对象是预测列和实际值
可以通过其参数method = c("pearson", "kendall", "spearman")来选择考察不同的相关性，默认的是pearson，表示线性相关
2） 检验残差是否白噪声，函数Box.test
输入对象是拟合后的残差列
设置参数type = "Ljung-Box"，按R软件的示例，此处还能简写成type = "Ljung"
3） 检验残差自相关性，函数acf
输入对象残差列
k完代码回车后会自动出自相关函数图，此方法不仅能用于拟合，在时间序列上也能用
acf(x)
捎带提下另外两个，偏自相关函数pacf和互相关ccf，其中互相关是需要输入x、y两个向量的，产生的图原点在中间，左右对称，当ccf的两个向量相同时，图形右边一半和acf输出的数值相同
pacf(x)
有图没数不行星人可以在代码外边套层print或者在后边添加个小尾巴$acf，上边仨函数都适用这个小尾巴，但请注意输出形式是list
4） 检验残差是否有异方差性，函数gqtest，属于lmtest包
这个函数主要使用于线性回归，所以输入对象要求是y~x的公式接口或lm函数产生的线性模型
5） 检查自变量是否有多重共线性，函数vif，属于car包
这里有两个tip：首先，VIF是有正式术语的，叫方差膨胀因子
其次，car这个包网络连接不好时可能会有点难装，因为它的外部依赖包有一大堆，属于是网速慢时可以起身去上个洗手间的那种
输入对象支持lm或glm的拟合模型
一般认为VIF值大于10就可能存在共线性，大于100那就严重共线了
整理完毕~~
閱讀更多 jennifer5jl 的文章
