资源介绍
上下文我总是开同一辆车， 我几乎总是走同样的路线。然而，在加油站，我喜欢改变气体类型：SP98 （有时作为 "超级加号" 出售） 和 Sp95 E10 （这是 10% 酒精的 "超级" 气体） 之间。E10 售价为 1，38€;SP98 售价为 1，46€;每升。从我的感觉，我会说，我的车消耗更多的E10。从数据中，我们可以从中获得什么？我要求你偏袒 "E10 气体" 的因素， 并告诉我我的车到底消耗了多少。我应用了我自己的基本线性回归，结果它消耗0.4升以上的E10气体。线性回归的缺点是，只有功能是独立的，才能真正使用它们。**我要求你根据汽油类型预测消耗！同时定期更改气体类型。在文件中，您将找到显示的距离（公里）：消耗（L/100公里）：平均速度 （km/h）， 我里面的温度 （°C）， 外面的温度 （°C）， 任何特别的事情发生， 如果下雨， 如果空调是， 如果它足够阳光明媚， 汽车感觉温暖， 当我开始它...是的 - 我使用的气体类型。我还有两栏说我买了多少和哪种汽油类型。小心这些。这些数字并没有完全加起来，因为我只注意到在某些条件下发生的游乐设施：如果汽车冷却到不能与之前的一个独立测量，我不会注意到它。我在 11 月开始写下数据， 冬天改成了 SP98， 春天又改回 E10 了。除此之外，数据是相当干净的，因为我已经在做我自己的项目。感谢维克多·切尔诺茹科夫，他在我的脑海里埋下这个想法，即使我花了几年才最终采取行动。:-)灵感我使用线性回归来部分地排除气体类型的影响。气体类型是真正独立于其他变量，所以它应该是有可能没有问题的。但是 - 根据我如何设计其他功能，结果是每 100 公里影响 0.4 到 0.8 升之间。较大的单个要素依赖差异通常是特征之间大量共差的提示：意思是线性回归可能不是这里最好的工具。
