Python,对回归模型做评估：具体是通过哪些值，如何评估？

最近在学习Python对回归模型做评估，代码过程我记住了，但是出来的表格不知道怎么分析呢。是看那些值，对模型评估有什么作用？

【用到的包】
1.调包
import pandas as pd
2.可视化分析
import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline
3.线性回归模型的建立与评估
（调用sklearn中的线性回归工具包）
from sklearn.linear_model import LinearRegression

LinearRegression()设置模型为线性回归
model=LinearRegression()

【Q：最后出来这个表格，我不知道对评估模型有什么作用】

附录：回归结果详细说明 原文链接：https://blog.csdn.net/youcans/article/details/116448853

    Dep.Variable: y 因变量
    Model：OLS 最小二乘模型
    Method: Least Squares 最小二乘
    No. Observations: 样本数据的数量
    Df Residuals：残差自由度(degree of freedom of residuals)
    Df Model：模型自由度(degree of freedom of model)
    Covariance Type：nonrobust 协方差阵的稳健性
    R-squared：R 判定系数
    Adj. R-squared: 修正的判定系数
    F-statistic： 统计检验 F 统计量
    Prob (F-statistic): F检验的 P值
    Log likelihood: 对数似然

    coef：自变量和常数项的系数，b1,b2,...bm,b0
    std err：系数估计的标准误差
    t：统计检验 t 统计量
    P>|t|：t 检验的 P值
    [0.025, 0.975]：估计参数的 95%置信区间的下限和上限
    Omnibus：基于峰度和偏度进行数据正态性的检验
    Prob(Omnibus)：基于峰度和偏度进行数据正态性的检验概率
    Durbin-Watson：检验残差中是否存在自相关
    Skewness：偏度，反映数据分布的非对称程度
    Kurtosis：峰度，反映数据分布陡峭或平滑程度
    Jarque-Bera(JB)：基于峰度和偏度对数据正态性的检验
    Prob(JB)：Jarque-Bera(JB)检验的 P值。
    Cond. No.：检验变量之间是否存在精确相关关系或高度相关关系。