在对游戏数据完成了数据导入与预处理等环节以后，下面我们将基于这些数据绘制散点图，建立回归模型，检测变量之间的线性关系。

点击机器学习页面左侧的“实验”，然后点击页面下方的“新建实验”按钮，如下所示：在名称一栏输入“数据转换”，然后点击创建按钮，如下所示：

创建完实验后，拖入“源/目标”中的“读数据表”组件，如下所示：

点击“读数据表”组件，在右侧“表名”一栏中输入“pokemon”，并右键改表名：![image.png]

拖入“统计分析”下的“散点图”组件，将“读数据表”组件与“散点图”组件相连接，即构建了一个从读数据表到散点图的数据流，如下图所示：

单击散点图组件，在右侧属性栏中点击选择字段，选择base_total和capture_rate后点击确定

右键单击散点图组件，选择执行到此处；执行完成之后，节点右侧会出现绿色的勾，如下图所示：

此时可以右键点击组件，选择查看日志：

然后回到机器学习PAI页面，右键点击散点图，查看分析报告，如图：

弹出窗口的左上角，即是base_total和capture_rate的散点图（剩下三张图是base_tota和本身，capture_rate和本身，base_total和capture_rate的散点图）

一般情况下，可以通过观察散点图，发现自变量和因变量之间的关系模式，以便于后续决定使用哪种转换方法。

然后关闭散点图，拖入线性回归，预测，回归模型评估这三个组件，
【1】机器学习-回归-线性回归：用于建立因变量与多个自变量之间的线性关系
【2】机器学习-预测：用于模型预测
【3】机器学习-评估-回归模型评估：基于预测结果和原始结果，评价回归算法的优劣，
构建如下数据流：

在线性回归中，选择属性设置
字段设置-选择特征列：capture_rate
字段设置-选择标签列：base_total

参数设置：

在预测中进行属性设置
字段设置：特征列选择capture_rate，原样输出列选择择generation 和base_total

在回归模型评估进行属性设置
字段设置：原回归值选择base_total

右键点击回归模型评估组件，选择执行到此处

执行完成后，右击回归模型评估组件，选择“查看分析报告”，如下所示：

在弹出的窗口中可以看到，由于模型评估组件给出的是残差的直方图，不能用于
判断线性与否，所以之后我们将会单独生成一个残差图。

接着点击指标数据标签，可以看到对base_total和capture_rate线性回归出来的R2≈0.4438867655729208

关闭回归评估，拖入一个SQL脚本组件和一个散点图组件，工具-SQL脚本。
构建如下数据流：

将代码输入SQL脚本编辑器，然后点击“保存”按钮。右击“SQL脚本”，选择执行该节点，如下所示：

执行完成后，点击散点图组件，然后选择residual 和capture_rate 为特征列，如下所示：

右击散点图，选择“执行该节点”，执行完成后，右击散点图组件，然后选择“查看分析报告”，如下所示：

残差图中的点如果是随机分布，说明数据是线性的，否则是非线性。观察capture_rate的残差图，发现capture_rate的残差包含了斜向上的模式，说明base_total和capture_rate的线性关系不是很强。