如何对刚才的模型进行系数显著检验

对于机器学习模型，一般不能直接使用传统的系数显著性检验方法，如t检验或F检验。这是因为机器学习模型中的变量通常是高度相互关联的，使得传统的假设检验方法不再适用。

在机器学习中，可以使用交叉验证来评估模型的性能。交叉验证是将数据集分为若干个子集，每次使用其中一个子集作为测试集，其余子集作为训练集，重复进行多次，最后统计模型在测试集上的平均性能。通过比较不同模型在交叉验证中的表现来选择最优模型。

另外，还可以使用bootstrap方法来估计模型系数的显著性。Bootstrap是一种重复抽样方法，通过从原始数据集中随机抽取样本，并计算每个样本的系数，再重复进行多次，最后计算得到系数的平均值以及置信区间等统计量，以此来判断系数的显著性。

需要注意的是，机器学习模型是基于数据驱动的，其结果应该在实际应用中进行验证和调整，不能仅仅依赖于统计学的显著性检验结果。