Провести спецификацию модели, т.е. подобрать к данным выборку наиболее подходящую модель регрессии Оценить точность выбранной модели

Условие:

\begin{array}{|c|c|} \hline $x$ & $y$ \\ \hline 17,06 & 3,74 \\ \hline 66,58 & 7,82 \\ \hline 20,96 & 1,92 \\ \hline 29,77 & 3,09 \\ \hline 32,61 & 2,78 \\ \hline 8,08 & 1,34 \\ \hline 73,23 & 10,19 \\ \hline 22,95 & 0,37 \\ \hline 71,91 & 10,25 \\ \hline 37,60 & 4,38 \\ \hline 6,23 & 0,32 \\ \hline 32,32 & 2,00 \\ \hline 4,79 & 1,17 \\ \hline 58,88 & 5,51 \\ \hline 38,54 & 2,59 \\ \hline 12,85 & 1,19 \\ \hline 20,94 & 3,05 \\ \hline 43,19 & 5,81 \\ \hline 74,92 & 10,65 \\ \hline 36,25 & 4,99 \\ \hline \end{array}

Проведение спецификации модели:
- У нас есть набор данных с переменными $x$ и $y$ . Мы будем использовать линейную регрессию как первую модель, так как она часто является хорошей отправной точкой для анализа зависимости между двумя переменными.
- Для начала, мы можем построить график рассеяния (scatter plot) для визуализации данных и проверки наличия линейной зависимости между $x$ и $y$ .
- Затем мы можем рассчитать коэффициенты линейной регрессии, используя метод наименьших квадратов. Формула для линейной регрессии имеет вид:
  $y = a + bx$
  ...