预测，而是帮助你发现数据中有趣的关系。（这两类模型有时被称为监督式和无监督式，但我认为这个术语并不特别有启发性。）

本书不会让你深入理解模型背后的数学理论。不过，它会建立你对统计模型如何工作的直觉，并为你提供一系列实用工具，让你能够使用模型来更好地理解你的数据：

• • 在 第 18 章中，你将学习模型在机制上是如何运作的，重点关注重要的线性模型家族。你将学习一些通用工具，用于深入了解预测模型告诉你关于数据的哪些信息，重点关注简单的模拟数据集。
• • 在 第 19 章中，你将学习如何使用模型从真实数据中提取已知的模式。一旦你识别出一个重要的模式，将其在模型中显式地表达出来会很有用，因为这样你就能更容易地看到剩余的更细微的信号。
• • 在 第 20 章中，你将学习如何使用多个简单模型来帮助理解复杂的数据集。这是一种强大的技术，但要使用它，你需要将建模和编程工具结合起来。

这些主题之所以值得注意，是因为它们不包含的内容：任何用于定量评估模型的工具。这是有意为之：精确量化模型需要几个重要的思想，而我们在这里没有篇幅来介绍。目前，你将依靠定性评估和你天生的怀疑态度。在“进一步了解模型” 在 第 396 页中，我们会为你指出其他可以学到更多知识的资源。

假设生成与假设验证

在本书中，我们将把模型作为一种探索工具，补全在 第一部分中介绍的 EDA 工具的第三件套。这不是模型通常的教学方式，但正如你将看到的，模型是重要的探索工具。传统上，建模的重点在于推断，或用于确认某个假设是否为真。正确地做到这一点并不复杂，但确实很难。