R方=0.91 模型在一定程度较好的拟合数据（91%）
R方<0 拟合直线的趋势与真实因变量相反
调整R方（适用多元线性回归）：
一般的R方会存在一些问题，即把任意新的自变量加入到线性模型中，都可能会提升R方的值，模型会因加入无价值的变量导致R方提升，对最终结果产生误导。
故在建立多元线性回归模型时，我们把R方稍稍做一些调整，引进数据量、自变量个数这两个条件，辅助调整R方的取值，我们把它叫调整R方；调整R方值会因为自变量个数的增加而降低（惩罚），会因为新自变量带来的有价值信息而增加（奖励）；可以帮助我们筛选出更多有价值的新自变量。
- n：数据量大小（行数）->数据量越大，新自变量加入所影响越小；
- p：自变量个数->自变量个数增加，调整R方变小，对这个量进行惩罚；
一句话，调整R方不会因为模型新增无价值变量而提升，而R方会因为模型新增无价值变量而提升！通过观测调整R方可以在后续建模中去重多重共线性的干扰，帮助我们选择最优自变量组合。
R方/调整R方值区间经验判断：
- <0.3->非常弱的模型拟合
- 0.3-0.5->弱的模型拟合
- 0.5-0.7->适度的模型拟合
- >0.7->较好的模型拟合
我们以共享单车服务满意分数据为案例进行模型实战，想要去分析不同的特征对满意分的影响程度，模型过程如下：
1. 读取数据
2. 切分因变量和自变量、分类变量转换哑变量
3. 使用VIF去除多重共线性
多重共线性：就是在线性回归模型中，存在一对以上强相关变量，多重共线性的存在，会误导强相关变量的系数值。
强相关变量：如果两个变量互为强相关变量，当一个变量变化时，与之相应的另一个变量增大/减少的可能性非常大。
当我们加入一个年龄强相关的自变量车龄时，通过最小二乘法所计算得到的各变量系数如下，多重共线性影响了自变量车龄、年龄的线性系数。
这时候，可以使用VIF消除多重共线性：VIF=1/(1-R方)，R方是拿其他自变量去线性拟合此数值变量y得到的线性回归模型的决定系数。某个自变量造成强多重共线性判断标准通常是：VIF>10
