如同「決定係數篇」所介紹，R^2的數字越趨近於1，模型能夠解釋的能力越強，那麼我們就是追尋更好的R^2數字。

除了嘗試挖掘更多派得上用場的參數，總結我們這段時間摸索下來，認為值得一提的兩個經驗，分作兩篇說明。

1. 增加資料筆數

首先考慮資料的偏頗，如果只收集單一一天客戶的資料，會不會這一天購物狀況剛好比較有起伏，其實距離平均值有點落差？

那麼多拉幾天的時間分別收集可能有幫助，甚至可以的話，收集資料的時間拉得越長，應該越貼近平均狀況。

另一方面，如果資料筆數太少，會不會對結果有顯著影響呢？Vertex要求資料集至少需要有1000筆資料，但我們無法確認這1000筆資料是否足夠。

第一次準備的資料筆數剛好1000筆整整，R^2是0.22。

第二次拉長抓取資料時間的週期，2000筆，R^2是0.2。

第三次藉由rolling window的方式增加資料量，湊到10000筆，R^2是0.21。

以上的結論是否代表，1000筆資料就已經足夠了呢？其實不一定，R^2是一個糟糕的數字，會不會是已經太糟糕了，所以筆數多寡在這個模型的訓練已經不是影響的關鍵，也許在R^2不錯的時候，有可能有顯著的影響也不一定。

重點是為了增加筆數，我們學會rolling window的方法，這個方法十分實用，某一種程度可以不需擔心資料筆數的問題，不過無法增加變異性更多的資料就是了。

所謂rolling window，簡單來說就是部分重疊地使用舊資料，加上部分新的資料，湊成新的資料。舉例而言，有個陣列如下：

[1,2,3,4,5,6,7,8,9,10]

如果我們是兩兩取一組，間隔地取，只能拿到5組

[1,2]
[3,4]
[5,6]
[7,8]
[9,10]

但如說是重疊地取，可以取得更多資料，如下就有9組的資料

[1,2]
[2,3]
[3,4]
[4,5]
[5,6]
[6,7]
[7,8]
[8,9]
[9,10]

而在每個數字都代表著離散的資料，而且不破壞其次序，這樣的使用方式合理。

順便一提，在股票市場用的移動平均線，就是使用rolling window。