下面是把題組的「教科書片段」補成端到端可執行的完整程式。綠色「▶ 可執行」區塊可在你的瀏覽器實際跑出結果。
用可離線執行的「仿真加州房價」資料（8→5 個特徵、含異方差雜訊），管線與指標和題目版完全相同。首次執行需下載 scikit-learn。
把上面的程式「一行一行」翻成白話，第一次看程式也能跟上；符號與英文都有解釋。
白話描述；想深入的可展開🔬 進階補充。
fetch_california_housing() 會給你一張表：每一列是加州某個街區，8 個欄位（MedInc 收入中位數、HouseAge 屋齡、平均房間數…），要預測的 y 是該街區房價中位數，單位是「十萬美元」。記住這個單位，第 4 步解讀 RMSE 會用到。
標準化要做兩件事：量尺（算出每個特徵的平均 μ 與標準差 σ）與換算。fit_transform 是「量尺＋換算」，transform 是「只換算」。關鍵鐵律：尺只能用訓練集量（行 A），測試集必須沿用同一把尺（行 B）。
如果在切分之前就對整份資料 fit，那把「尺」就偷看了測試集的分布，測試分數會虛高、無法反映上線表現。這與 115-1 Q44（LDA 先於交叉驗證）是同一個觀念。正確順序永遠是：先 split → 只在 train 上 fit → 對 test 只 transform。
LinearRegression() 找出一條加權直線：房價 ≈ w₁·收入 + w₂·屋齡 + … + b，.fit() 用訓練資料解出最合適的權重 w，.predict() 把測試街區代進公式得到預測房價。
mean_squared_error 因為取了平方，單位變成「房價的平方」，人腦無法理解；開根號還原成跟房價一樣的單位，才能說「平均差約 X 十萬美元」。本例 RMSE≈0.61，代表典型誤差約 6 萬美元。
MSE＝平方誤差平均（對大誤差懲罰重、單位是平方，難解讀）；RMSE＝MSE 開根號（單位還原，最常拿來報告）；MAE＝絕對誤差平均（對離群值較不敏感）。三者都是「越小越好」，但 RMSE 會被少數大錯誤拉高。
R²＝0.75 的意思是「房價高低起伏的規律中，模型抓住了 75%，剩下 25% 是模型抓不到的因素」。它不是答對率——迴歸沒有「答對」的概念，只有誤差大小。把 R²＝0.6 說成「準確率 60%」是最經典的錯誤選項。
可以。R² 的定義是「比『每次都猜平均值』好多少」。如果模型在測試集上比直接猜平均還爛，R² 就會是負數。所以 R²∈(−∞, 1]，不是 0~1。
因為特徵都標準化過（每個「一單位」都等於一個標準差），係數的絕對值才能公平比較：本例 MedInc（收入）係數最大，影響力最強。負係數是正常的方向資訊：AveOccup 為負＝其他條件不變時，每戶人數越多、預測房價越低。
沒標準化時，「收入（元）」和「屋齡（年）」的係數各自帶著不同單位，數字大小混著單位大小，根本不能比。就像三個選手要比誰跳得遠，得先站在同一條起跑線。
殘差＝實際−預測。把殘差對「預測值」畫散點：健康的圖應該像一條上下等寬的帶子。若低價區緊貼 0、高價區扇形張開（喇叭形），代表誤差變異隨房價變大，違反迴歸的「等變異」假設，術語叫異方差。
常見兩招：①對 y 取對數 np.log1p(y)，把大數字壓扁，喇叭口就被拉平；②改用加權最小平方（對高變異樣本給較小權重）。注意：異方差不影響係數是否無偏，但會讓標準誤與信賴區間失真。
fit_transform，是另一種資料洩漏寫法——與 115-1 Q44（LDA 先於交叉驗證）同一個觀念，務必會認。每一頁都是：命題依據 → 還原完整程式（可在瀏覽器執行）→ 逐行拆解 → 逐段白話詳解 → 常見陷阱。完整版還有：