0 引言
初学者，对于一些运行结果不是很清楚，所以看了一些课本和资料，这里做一个记录而已。
1 线性回归模型的结果分析
结果的解释：
“call”：指出线性回归的公式
“Residuals”：之处从实际数据观测的残差
“Cofficients”：显示模型系数，以及系数的统计显著性
“R-squarted”：判决系数与调整的判决系数，用于刻画模型对数据分散的解释程度
“F”：表示模型的统计意义
2 自变量评估
下面是对自变量的评估：
“Estimate”：用于显示截距与系数的推测值。这里是V4=2.317699--0.015446*V1--0.024233*V2
“Pr（>|t|）”：显示p-value，通过t分布判断各变量的显著程度。此时，V1、V2均远小于0.05，否定零假设。
3 判定细数与F统计量
下面是判定系数的评估：
F统计量使用F分布检验MSR/MSE的比率，也用于查看V4=b1+b2*V1+b3*V2+e与V4=b1+e的残差平方和差异的显著程度。即检验“H0：b1=0，b2=0、H1：b1、b2不等于0”的结果。
4 方差分析及模型间比较
显示模型F统计量：
完整模型与简化模型的比较：
从结果看，F统计量为272.47，P值很小，说明两个模型之间有显著差异，即V1、V2列是有意义的解释变量。
5 模型诊断图形
可直接plot（）函数画图，也可画表述更清楚的图。这里该函数会显示四种图(实际有6种)，不做详细解释。
总结
学习在于积累。importance(坚持)>importance(努力)。