散点图可以用来（）
根据变量X和变量Y的散点图，可以看出这两个变量间的相关关系为()。
回归分析是一种重要的商情分析工具，回归线是一条能代表散点图上分布趋势的直线。下列说法中正确的是（）。
折线图和散点图都可以用来反映两个变量之间的关系。（）
当一元线性回归方程的简单相关系数r=0时，则变量的散点图可能是（）。
散点图是描述变量之间关系的一种直观的方法，从相关图中大体上可以看出变量之间的关系形态及关系强度。关于散点图，下列说法正确的是（）。
关图又称散布图（或散点图），可以直观地表示变量之间的相关程度（）
可以用散点图表示两个变量之间的相关性。两个变量之间的关系的密切程度，取决于数据点分布（）。
根据散点图求得的回归直线方程都是有意义的。
在以下4个散点图中，其中适用于作为线性回归的散点图为（ ）ac30eb2ae6e9bbc23c56001a7b441343.png
在散点图上我们可以分析出两个定量变量的相关关系
散点图不可以提供的信息（）
在以下四个散点图中， 其中适用于作线性回归的散点图为（ ）。http://image.zhihuishu.com/zhs/onlineexam/ueditor/201808/943b1e6a9ffd4cf3b91e64de47c57326.png
变量A和B间无论作相关分析还是简单线性回归分析均应先绘制散点图。
散点图比较适合描述和比较多组数据随时间变化的趋势，或者一组数据对另外一组数据的依赖程度。（)
1、如果散点图不存在直线趋势，也不能说明两变量一定不相关，只能说是直线相关关系不显著，也可能存在某种非线性相关，要根据图形和后续的假设检验具体分析。
回归分析方法：(甲)编制相关图表(散点图、依存关系分析表)；(乙)计算相关系数，反映变量之间相关的密切程度和相关方向；(丙)建立回归方程，进行估计预测。
散点图可以对变量之间存在的相关关系的形式、紧密程度作大致的判断。（)
通过生成人工数据集合，基于TensorFlow实现y=3.1234*x+2.98线性回归 通过上传附件方式提交 notebook文件（.ipynb） 评分标准： 1、生成 x_data，值为 [0, 100]之间500个等差数列数据集合作为样本特征 根据目标线性方程 y=3.1234*x+2.98，生成相应的标签集合 y_data，1分； 2、画出随机生成数据的散点图和想要通过学习得到的目标线性函数 y=3.1234*x+2.98，1分； 3、构建回归模型，3分； 4、训练模型，10轮，每训练20个样本显示损失值，2分； 5、通过训练出的模型预测 x=5.79 时 y 的值，并显示根据目标方程显示的 y 值，1分； 6、 通过Tensorboard显示构建的计算图。 上传的源代码中有相应的源代码 结果计算图截图可以嵌入上交的notebook文件（.ipynb） 嵌入图片的方法为markdown cell中代码 ＜img src= "你的计算图文件名.png"＞，2分。 备注：
从案例一的散点图上可以看出，温度和孵化期两个指标之间呈现什么样的关系？
在对两个变量x,y进行线性回归分析时,有下列步骤: 1所求出的回归直线方程作出解释; 2收集数据; 3求线性回归方程; 4求未知参数; 5根据所搜集的数据绘制散点图。 如果根据可行性要求能够作出变量,x,y具有线性相关结论,则在下列操作中正确的是（）
直方图、折线图、散点图既可以用于定量数据，也可用于定性数据的展示（）
14、散点图为了识别第三维可以为每个点加（）标记。
4、在两个变量的回归分析中做散点图是为了（）.
