回归模型（线性 / 岭 / 随机森林）

R²、RMSE 与 MAE 都来自 k 折交叉验证：每折用其余样本训练、在本折上预测，再取各折均值；R² 越接近 1 越好，可以为负（比直接用均值预测还差）。

散点图横轴为实际值、纵轴为交叉验证预测值，点越贴近对角线预测越准；呈水平带状说明模型几乎没有解释力。

线性 / 岭回归在特征标准化后，系数表示该特征增加 1 个标准差时结果的变化，可直接比较大小；表中另给出原始单位的系数。岭回归的 α 越大系数越收缩，适合特征多或彼此相关的情形。

随机森林能捕捉非线性和交互作用；不纯度重要性偏向取值多的特征，宜与置换重要性（打乱该特征后 R² 下降多少）对照。

默认不打乱、按行顺序切分折（与常用实现一致）；如果表格按结果排序，请勾选「划分前打乱」。

方法说明

线性与岭回归按正规方程精确求解，目标函数与 scikit-learn LinearRegression / Ridge 一致（截距不惩罚）；k 折划分与 scikit-learn KFold 一致；随机森林按 Breiman (2001) Machine Learning 45:5–32；R² 为决定系数 1 − SSE/SST。

数据量

在浏览器中计算：建议样本 ≤ 5,000、特征 ≤ 300；随机森林较慢，可减少树的数量。