让我们来看看调整后的R²。这个值类似于我在上一篇文章中提到的R²，但它经过调整，以便随着自变量被添加到模型中，调整后的R²不会增加，除非模型的改进有许多偶然性。因此，当我们将多元线性回归模型（有两个独立变量）与先前模型（只有一个自变量）进行比较时，调整后的R²是衡量成功的更好方法。
我们通常寻找大于0.6，但接近1的R²值来表示更好的线性拟合。在这里，训练调整R²= 0.517并调整测试R²= 0.556。上一次，我们的R²值分别为0.500和0.559，用于训练和测试。使用多元线性回归创建的模型比上次训练数据的简单回归模型稍微好一点，对测试数据也大致相同。
退一步
在Neo4j，我和我的同事们正面临着这样的问题：机器学习和人工智能在图形数据库属于什么位置？这个问题有几个答案，其中没有一个是"正确"的答案。在我之前的文章中，我演示了如何在图中的数据上构建一个简单的机器学习模型，以避免导出到另一个软件。在这篇文章中，出现了另一个有趣的方面：能够使用图形结构中固有存储的数据构建模型。通过计算每个列表上的（：Review） - [：REVIEWS] - >（：Listing）关系的数量，我们能够轻松地检索"评论数量"的数据。在这方面，图形数据库增加了我们可以轻松访问的数据类型，以便构建机器学习模型。
展望未来，我很想探索机器学习模型如何更有效地利用数据集的图形结构来学习和预测。
总结
以下是使用itgression.linear进行多线性回归的程序调整的一个快速列表：
- 在regression.linear.create期间指定模型类型“Multiple”
- 在regression.linear.create中指定自变量的数量
- 没有用于测试或训练数据的regression.linear.remove方法
- 你无法使用regression.linear.copy将训练数据从一个模型复制到另一个模型
- 在测试、分析或预测之前，你应该通过调用regression.linear.train来训练模型
- 查看调整后的R²，以更准确地比较具有不同数量的自变量的模型
- regression.linear.data返回模型的参数，而不是byte[]序列化。因此，你不能使用regression.linear.load
编译出品
