summary()：获取描述性统计量，可以提供最小值、最大值、四分位数和数值型变量的均值，以及因子向量和逻辑型向量的频数统计等。

结果解读如下：

1. 调用：Call

lm(formula = DstValue ~ Month + RecentVal1 + RecentVal4 + RecentVal6 + RecentVal8 + RecentVal12, data = trainData)

当创建模型时，以上代码表明lm是如何被调用的。

2. 残差统计量：Residuals

Min 1Q Median 3Q Max -4806.5 -1549.1 -171.8 1368.7 6763.3

残差第一四分位数（1Q）和第三分位数（Q3）有大约相同的幅度，意味着有较对称的钟形分布。

3. 系数：Coefficients

Estimate Std. Error t value Pr(>|t|) (Intercept) 1.345e+06 5.659e+05 2.377 0.01879 * Month 8.941e+02 2.072e+02 4.316 3.00e-05 ***

分别表示： 估值 标准误差 T值 P值

Intercept：表示截距

Month：影响因子/特征

Estimate的列：包含由普通最小二乘法计算出来的估计回归系数。

Std. Error的列：估计的回归系数的标准误差。

P值估计系数不显著的可能性，有较大P值的变量是可以从模型中移除的候选变量。

t 统计量和P值：从理论上说，如果一个变量的系数是0，那么该变量是无意义的，它对模型毫无贡献。

然而，这里显示的系数只是估计，它们不会正好为0。

因此，我们不禁会问：从统计的角度而言，真正的系数为0的可能性有多大？这是t统计量和P值的目的，在汇总中被标记为t value和Pr(>|t|)。

其 中，我们可以直接通过P值与我们预设的0.05进行比较，来判定对应的解释变量的显著性，我们检验的原假设是：该系数显著为0；若P<0.05，则拒绝原假设，即对应的变量显著不为0。

可以看到Month、RecentVal4、RecentVal8都可以认为是在P为0.05的水平下显著不为0，通过显著性检验；Intercept的P值为0.26714，不显著。

4. Multiple R-squared和Adjusted R-squared

这两个值，即R^{2}，常称之为“拟合优度”和“修正的拟合优度”，指回归方程对样本的拟合程度几何，这里我们可以看到，修正的拟合优 度=0.8416，表示拟合程度良好，这个值当然是越高越好。

当然，提升拟合优度的方法很多，当达到某个程度，我们也就认为差不多了。

具体还有很复杂的判定内容，有兴趣的可以看看：http://baike.baidu.com/view/657906.htm

5. F-statistic

F-statistic，是我们常说的F统计量，也成为F检验，常常用于判断方程整体的显著性检验，其值越大越显著；其P值为p-value: < 2.2e-16，显然是<0.05的，可以认为方程在P=0.05的水平上还是通过显著性检验的。

简单总结：

T检验：检验解释变量的显著性；

R-squared：查看方程拟合程度；

F检验：是检验方程整体显著性。

如果是一元线性回归方程，T检验的值和F检验的检验效果是一样的，对应的值也是相同的。

补充：在R语言中显示美丽的数据摘要summary统计信息

总结数据集

## Skim summary statistics## n obs: 150 ## n variables: 5 ## ## Variable type: factor ## variable missing complete n n_unique top_counts## 1 Species 0 150 150 3 set: 50, ver: 50, vir: 50, NA: 0## ordered## 1 FALSE## ## Variable type: numeric ## variable missing complete n mean sd min p25 median p75 max## 1 Petal.Length 0 150 150 3.76 1.77 1 1.6 4.35 5.1 6.9## 2 Petal.Width 0 150 150 1.2 0.76 0.1 0.3 1.3 1.8 2.5## 3 Sepal.Length 0 150 150 5.84 0.83 4.3 5.1 5.8 6.4 7.9## 4 Sepal.Width 0 150 150 3.06 0.44 2 2.8 3 3.3 4.4## hist## 1 ▇▁▁▂▅▅▃▁## 2 ▇▁▁▅▃▃▂▂## 3 ▂▇▅▇▆▅▂▂## 4 ▁▂▅▇▃▂▁▁

选择要汇总的特定列

## Skim summary statistics## n obs: 150 ## n variables: 5 ## ## Variable type: numeric ## variable missing complete n mean sd min p25 median p75 max## 1 Petal.Length 0 150 150 3.76 1.77 1 1.6 4.35 5.1 6.9## 2 Sepal.Length 0 150 150 5.84 0.83 4.3 5.1 5.8 6.4 7.9## hist## 1 ▇▁▁▂▅▅▃▁## 2 ▂▇▅▇▆▅▂▂

处理分组数据

可以处理已使用分组的数据dplyr::group_by。

## Skim summary statistics## n obs: 150 ## n variables: 5 ## group variables: Species ## ## Variable type: numeric ## Species variable missing complete n mean sd min p25 median## 1 setosa Petal.Length 0 50 50 1.46 0.17 1 1.4 1.5 ## 2 setosa Petal.Width 0 50 50 0.25 0.11 0.1 0.2 0.2 ## 3 setosa Sepal.Length 0 50 50 5.01 0.35 4.3 4.8 5 ## 4 setosa Sepal.Width 0 50 50 3.43 0.38 2.3 3.2 3.4 ## 5 versicolor Petal.Length 0 50 50 4.26 0.47 3 4 4.35## 6 versicolor Petal.Width 0 50 50 1.33 0.2 1 1.2 1.3 ## 7 versicolor Sepal.Length 0 50 50 5.94 0.52 4.9 5.6 5.9 ## 8 versicolor Sepal.Width 0 50 50 2.77 0.31 2 2.52 2.8 ## 9 virginica Petal.Length 0 50 50 5.55 0.55 4.5 5.1 5.55## 10 virginica Petal.Width 0 50 50 2.03 0.27 1.4 1.8 2 ## 11 virginica Sepal.Length 0 50 50 6.59 0.64 4.9 6.23 6.5 ## 12 virginica Sepal.Width 0 50 50 2.97 0.32 2.2 2.8 3 ## p75 max hist## 1 1.58 1.9 ▁▁▅▇▇▅▂▁## 2 0.3 0.6 ▂▇▁▂▂▁▁▁## 3 5.2 5.8 ▂▃▅▇▇▃▁▂## 4 3.68 4.4 ▁▁▃▅▇▃▂▁## 5 4.6 5.1 ▁▃▂▆▆▇▇▃## 6 1.5 1.8 ▆▃▇▅▆▂▁▁## 7 6.3 7 ▃▂▇▇▇▃▅▂## 8 3 3.4 ▁▂▃▅▃▇▃▁## 9 5.88 6.9 ▂▇▃▇▅▂▁▂## 10 2.3 2.5 ▂▁▇▃▃▆▅▃## 11 6.9 7.9 ▁▁▃▇▅▃▂▃## 12 3.18 3.8 ▁▃▇▇▅▃▁▂

指定统计信息和类

可以用户使用与该skim_with()功能组合的列表来指定自己的统计信息。

## Skim summary statistics## n obs: 150 ## n variables: 5 ## ## Variable type: numeric ## variable iqr mad## 1 Sepal.Length 1.3 1.04

以上为个人经验，希望能给大家一个参考，也希望大家多多支持。如有错误或未考虑完全的地方，望不吝赐教。