Problem 1
Multiple Linear Regression & Statistical Inference
Dataset 輸入（Data Understanding）
加分 2：可任意輸入 Dataset
範例：
自變數 X（類別欄位會自動做 One-hot encoding，第一個類別為參考組）
資料預覽（前 10 列）
相關係數熱圖（Correlation Heatmap）
One-hot 編碼後紫色為正相關、橘色為負相關，顏色越深 |r| 越大；自變數之間高度相關代表可能有多重共線性。
目標變數分佈
HistogramFitted OLS Regression Equation
Actual vs Predicted
點越靠近虛線 y = x，預測越準確。
Residuals vs Predicted
殘差診斷殘差應隨機分佈在 0 附近；若有漏斗或曲線形狀，代表變異數不齊或非線性。
Model Coefficients & Statistical Tests
訓練集 OLSp < 0.05 代表顯著；VIF > 5 可能有多重共線性、> 10 為嚴重。
標準化係數（Standardized β）
特徵重要度β × sd(x) / sd(y)：x 增加 1 個標準差時 y 變動幾個標準差，可直接比較不同單位的特徵。實心為顯著 (p < 0.05)。
殘差分佈（Residual Histogram）
常態性檢查OLS 假設殘差近似常態、平均為 0；紫線為同平均與標準差的常態曲線。
Live Predictor（Deployment）
拖曳滑桿即時預測Test Set Residuals & Outliers Diagnostic
Top 10 |殘差||殘差| 大於訓練集 RMSE 標示為 High Residual。
① 選擇特徵選擇演算法
② 特徵數量 k
RMSE by Number of Features
越低越好R-squared by Number of Features
越高越好Fitted OLS Regression Equation
各演算法最佳 RMSE
Algorithm Ranking每種演算法在所有 k 中的最低測試 RMSE。
特徵入選順序熱圖
Selection Map格內數字 = 該特徵最早在 k 等於多少時被選入；越早入選顏色越深，代表越重要。
測試集 RMSE 對照表
All Algorithms × k每列最小值以粗體標示，全表最小值以底色標示。點選儲存格可切換到該模型。