如果两个变量有共变关系，我们就可以用其中一个变量来预测另外一个变量的走势，如果这种共变关系是一种因果关系，我们就可以在统计分析中对其进行控制。
有点难以理解，所以今天给大家准备了一个例子，用数字来说明问题。
实践今天的数据还是r提供的diamonds数据集，数据变量的含义请自行百度。
在上一篇文章中，我们使用方框图绘制了不同切割的钻石价格分布，如下所示
在上面的图中我们可以看到随着钻石的cut越好，似乎钻石的价格越低，这个关系明显是不符合常理的，值得探讨一下。
其实探讨切工与价格的关系相当复杂，因为切工与克拉、克拉与价格之间有着密切的关系，所以我们目前的思路是，希望能够在去除了carat对price的效应之后，再看cut和price的关系。。
下面的代码建立了carat和price的模型，并且计算了模型的残差（就是预测值和实际值的区别），残差就反映了因变量未被自变量解释的部分，在本例中就是price的变异中carat解释不了的部分。
library(modelr)\ n \ nmod-lm(log(price)~ log(carat)，data=diamonds)\ n \ ndia monds 2-diamonds % % \ n add _ residuals(mod)% % \ n mutate(resid=exp(resid))\ n \ nggplot(data=diamonds 2)\ n geom _ point(mapping=AES(x=carat，y=resid))
上面的代码同时还做出了carat与模型残差的散点图，可以看出只用carat来解释price是不太好的。
那么在挖掘出克拉和价格的关系后，你怎么看待切工和价格的关系呢？代码如下：
gg plot(data=diamonds 2)\ n geom _ box plot(mapping=AES(x=cut，y=resid))
这个时候我们是用cut为自变量，残差为因变量进行了作图，也就是看一看抠掉了carat对price的效应后，cut对price的实际的关系，可以看到这回随着cut越来越好，price也愈来愈高，这下就对了。
其实上面的过程就是一个统计控制的过程，我们在看cut对price的关系的时候需要控制掉carat对price的关系，这样得到的结果才是纯净的结果，有兴趣的同学还可以去看一看控制变量和混杂变量的区别，嘿嘿。
今天总结用一个实际的例子为你写统计控制。谢谢你耐心看完。发布这些东西的主要目的是督促自己。希望大家关注评论指出不足，共同进步。我会把所有的内容都详细写出来，用到的数据集也会在原文中链接。只要按照文章中的代码操作，就可以得到同样的结果。一个目的是没有任何基础也能理解，因为你没有从零开始学Python和R。走吧。
(站外外链无法收发，请关注后私信回复“数据链”获取本头条号所有使用数据)
以前的内容：
R数据分析：R语言模拟著名的“三个问题”
R数据分析：如何用R进行数据模拟R数据分析：贝叶斯定理的R语言模拟
R数据分析：R Markdown:数据分析过程报告的利器。你必须学会它。
r数据分析：stargazer给你一个漂亮的结果表，可以直接公布。
如何理解模型思想
亲爱的同学们，感谢等待。时隔一年，今天又出了三本新书。
从2017年3月我写第一篇《全网模型压缩概述》开始，一直从事模型设计和优化相关的工作。
这几年大家都做了什么来压榨CNN的模式？
2019年2月，首次在全网总结了12种主流深度学习模型设计思路，并被广泛转载。
“End”总结了12个主要CNN模型的架构设计思路。
2019年年中，联合阿里天池在哔哩哔哩做了三场共计3个多小时的直播，是我在哔哩哔哩做的唯一三场直播，平均一万人在线，可见这是一件很有意义的事情。
“总结”说有三个天池深度学习模型设计的现场总结，200多页的课件。
所以他们三个肯定会总结成一本比较系统的书，一共两本。第一本书致力于深度学习模型的设计，第二本书致力于深度学习模型的优化。今天，第一本书发行了。请听下面的介绍！
比如书名是《深度学习之模型设计：核心算法与案例实践》，是一本关于深度学习模型设计核心算法的书。同时伴随着大量的实战案例。以下是实拍。
本书共14章，内容如下：
第一章神经网络和计算机视觉的基础
第2章深度学习的基础
第三章数据集、评价指标和优化目标
第4章深化网络，提高模型的性能。
第五章：11卷积，通道维度升降的利器
第六章拓宽网络，提高模型的性能。
第七章剩余连接，深度网络融合的关键
第八章分组卷积和卷积分裂，移动终端高效的经典模型
第九章多尺度网络和反常卷积，更丰富的感受野和不变性
第十章多输入网络，图像检索和排序的基准模型
第11章时间序列神经网络，有记忆的网络更聪明
第十二章卷积由二维变为三维，实现升维。
第十三章动态推理和注意机制，网络因样本而异。
第十四章一代对抗网络
第一章，讲解神经网络和计算机视觉的基础，将为图像基础薄弱的同学补充必要的图像处理知识。
第二章阐述了深度学习的基础、发展背景和核心优化技术。
第3章重点介绍了本书使用的数据集、评价指标和优化目标。
第四章追根溯源，从理论和实践上分析了深度与模型性能的关系。
第五章详细介绍了11卷积结构和模型压缩实践。
第六章追根溯源，从理论和实践上分析了宽度与模型性能的关系。
第七章详细讨论了剩余连接的起源、有效性分析和结构发展。
第八章详细讨论了块卷积的起源、有效性分析和结构发展。
第九章详细阐述了多尺度网络、异常卷积和感受野控制的设计思想。
第十章介绍了多输入网络在图像检索和分类中的应用。
第11章解释了RNN及其变种，LSTM原理和实际战斗。
第十二章分析了三维卷积结构及其应用。
第十三章详细讲解了动态推理和注意机制，分析了同一个网络如何因为样本产生不同的工作机制。
第14章详细阐述了生成对抗网络的优化目标和结构设计。
遵循三个一贯的风格，本书有以下几个特点：
(1)内容全面，时间跨度大，紧跟前沿。这本书不仅详细讲解了90年代萌芽的卷积神经网络技术，还介绍了最新的技术，时间跨度超过30年，力求全程详细。
(2)理论详尽，原理深刻。这本书不仅仅是简单的列举当前的模型，而是从起源上分析了它们背后的原理，并详细分析了设计思路。
(3)充分练习，由浅入深。书中章节设置为先讲解理论，再选取最具代表性的内容进行项目实践。
更多评论，你可以查看
深度学习，尤其是卷积神经网络，在过去几年里极大地推动了计算机视觉在学术界和工业界的发展。掌握深度学习模型的设计思想，对于相关技术人员更好地完成计算机视觉的各项任务非常重要。作者根据自己丰富的实践经验，对当前深度卷积神经网络模型的发展做了详细的总结。遵循作者的指导，读者不仅可以进行全面的理论学习，还可以深入体验相关实践。
新智元创始人兼CEO杨静：
深度学习将人工智能的浪潮推向了一个新的高峰，模型设计的迭代速度和复杂度甚至超过了以前。颜三在深度学习领域丰富的专业知识和经验，填补了行业内深度学习模型设计书籍的空白。这本书可以带领从业者了解更多关于深度学习的知识，尤其是卷积神经网络模型架构的演进及其核心设计技术。知识体系完善，理论与实践并重。为相关教学和开发提供参考。
中国科学院半导体研究所研究员陆：
这本书是一个在深度学习和计算机视觉领域工作多年的有为青年。本书以自己的经历和经验为基础，以理论结合案例的形式，系统阐述了深度学习模型，尤其是卷积神经网络模型的发展过程。这本书的内容非常完整和专业，值得认真阅读和研究。
知识CEO吴路佳：
颜三在深度学习领域有着丰富的经验，建立了三个AI微信官方账号和三个AI知识星球的高质量学习社区。本书非常详细地介绍了卷积神经网络模型架构的演变，具有很高的理论和实用价值，相关内容将在星球三AI知识中不断更新，值得相关从业者学习和参考。
当然，由于水平和时间的限制，本书也存在一些不足。
(1)内容可能不是最全的。本书重点讲述深度学习模型的总体设计思路。限于篇幅，无法详细介绍每一个研究方向。有兴趣的可以搬到三个AI知识星球的各大板块去学习。
《扎坦》有三个AI知识星球一周年！星球微信官方账号为什么完整？
另外，关于模型优化和压缩的内容没有全面收录，我下一本书《深度学习模型优化》会详细讲解。如果想提前学习，可以加入秋季三个AI计划的模型优化组，先睹为快。
(2)本书力图全面阐述原理和实践，成为适合本学科教学的教材。但课后没有相关练习，需要读者多读多思考。
现在，该谈谈我们的好处了。有很多种，看你遇到哪一种。
(1)集齐三套三艾文化产品者，获赠签名本一份。
(2)集齐三套三个AI赛季者，将获得签名本一份。
(3)扫码进入本书第一组。前200名订购者可以购买签名版，可以联系优三的助理Alex或者团。新书售价78.6元，总运费88元。
(4)在本文底部留言至明天(2020年6月11日)晚上22:00，点赞最高的10人将获得签名版。
注：快递日期为本周六(2020年6月13日)。设计的签名如下，但实际签名不会这么漂亮。另外签名需要拆包，介意的话就不拍了。
最后，你也可以在JD.COM直接买到。官网链接如下，预计本周末发货！
书的创作需要所有人的努力，在此感谢：
感谢米君平编辑对“三艾”的认可和发现，以及在本书终稿中的反复修改和修正。
感谢电子工业出版社出版这本书及其对普及知识的贡献。
感谢我的衣食父母，我有三个AI季节计划和三个AI知识星球付费会员，让我不需要一边写一本书一边露宿街头。
感谢业内四大咖啡制造商的真诚