决定系数R2

博客介绍了决定系数,其表示y的波动能被直线描述的程度。当直线拟合效果好时,y到拟合线的差值小,决定系数接近1,意味着y值基本都能被拟合直线描述。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

在这里插入图片描述
在这里插入图片描述

决定系数 表示:y的波动有多少能被你和直线所描述。

在这里插入图片描述
当直线拟合的很好,y到拟合线的差值会很小,此时决定系数接近1.表示y值基本都被拟合直线所描述了。

### 决定系数 R² 的定义及计算 决定系数 \( R^2 \) 是一种用于评估回归模型性能的重要统计量,它表示由自变量所解释的因变量变异比例。换句话说,\( R^2 \) 表明了数据中的多少变化可以通过回归模型来解释。 #### 定义 决定系数 \( R^2 \) 被定义为: \[ R^2 = 1 - \frac{\text{SS}_{res}}{\text{SS}_{tot}} \] 其中, - \( \text{SS}_{res} \) (残差平方和)是指实际观测值与预测值之间的差异平方之和: \[ \text{SS}_{res} = \sum_{i=1}^{n}(y_i - \hat{y}_i)^2 \] - \( \text{SS}_{tot} \) (总离差平方和)是指实际观测值与均值之间的差异平方之和: \[ \text{SS}_{tot} = \sum_{i=1}^{n}(y_i - \bar{y})^2 \] 这里,\( y_i \) 是第 \( i \) 个样本的实际值,\( \hat{y}_i \) 是对应的预测值,而 \( \bar{y} \) 则是所有实际值的平均值[^4]。 当 \( R^2 \) 接近于 1 ,说明模型拟合效果较好;如果 \( R^2 \) 小于 0,则表明该模型的表现甚至不如简单的均值估计[^3]。 #### 计算方法 以下是通过 Python 实现的一个简单例子,展示如何手动计算 \( R^2 \): ```python import numpy as np def calculate_r_squared(y_true, y_pred): residuals = y_true - y_pred ss_res = np.sum(residuals ** 2) mean_y = np.mean(y_true) ss_tot = np.sum((y_true - mean_y) ** 2) r_squared = 1 - (ss_res / ss_tot) return r_squared # 示例数据 y_true = np.array([3, -0.5, 2, 7]) y_pred = np.array([2.5, 0.0, 2, 8]) r_squared_value = calculate_r_squared(y_true, y_pred) print(f"R-squared value: {r_squared_value}") ``` 此代码片段展示了如何基于真实值 `y_true` 和预测值 `y_pred` 来计算 \( R^2 \)。 ---
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值