Python实战:用NumPy和Matplotlib轻松搞定拟合优度R²计算(附完整代码)
在数据分析和建模过程中,评估模型对数据的拟合程度是一个关键步骤。拟合优度R²作为衡量回归模型解释力的核心指标,能够直观反映预测值与实际值的吻合程度。本文将带你从零实现R²的计算过程,并通过可视化手段深入理解其数学本质。
1. 理解拟合优度的数学本质
拟合优度R²(又称决定系数)是回归分析中用于衡量模型解释力的核心指标。它的取值范围在0到1之间,数值越接近1表示模型对数据的解释能力越强。要深入理解R²,我们需要拆解三个核心概念:
-
总平方和(SST):反映因变量的总变异程度,计算公式为:
SST = Σ(y_i - ȳ)²其中ȳ是y的平均值。
-
回归平方和(SSR):反映模型能够解释的变异部分:
SSR = Σ(ŷ_i - ȳ)² -
残差平方和(SSE):反映模型未能解释的变异部分:
SSE = Σ(y_i - ŷ_i)²
这三个指标的关系可以用以下公式表示:
SST = SSR + SSE
而R²的计算公式为:
R² = SSR/SST = 1 - SSE/SST
注意:当模型为简单线性回归时,R²等于相关系数的平方。但在多元回归中,这种等价关系不再成立。
2. 从零实现R²计算
下面我们使用NumPy实现R²的计算过程。首先创建三个辅助函数分别计算SST、SSR和SSE:
import numpy as np
def calculate_sst(y_true):
"""计算总平方和(SST)"""
y_mean = np.mean(y_true)
return np.sum((y_true - y_mean) ** 2)
def calculate_ssr(y_true, y_pred):
"""计算回归平方和(SSR)"""
y_mean = np.mean(y_true)
return np.sum((y_pred - y_mean) ** 2)
def calculate_sse(y_true, y_pred):
"""计算残差平方和(SSE)"""
return np.sum((y_true - y_pred) **
423



被折叠的 条评论
为什么被折叠?



