R cuadrado

Antes expresamos otra medida de ajuste, R cuadrado, en términos de un cociente entre RSS y VAR. Al multiplicar numerador y denominador por 1/n, la forma numérica equivalente puede interpretarse como el cociente entre la varianza de los residuos y la varianza de la tendencia lineal en los datos que estamos modelando. Esto puede interpretarse como una medida de cuánto de la varianza de tus datos queda «explicada» por tu modelo, en contraste con la dispersión o varianza de los residuos (después de eliminar la tendencia lineal).

Aquí hemos precargado los datos x_data, y_data y las predicciones del modelo y_model para el mejor ajuste; tu objetivo es calcular la medida R cuadrado para cuantificar cuánto explica este modelo lineal la variación en los datos.

Este ejercicio forma parte del curso

Introducción al modelado lineal en Python

Ver curso

Instrucciones del ejercicio

Calcula los residuals, restando y_data de y_model, y las deviations, restando y_data de la np.mean() de y_data.
Calcula la varianza de los residuals y la varianza de las deviations, usando np.mean() y np.square() en cada caso.
Calcula r_squared como 1 menos el cociente var_residuals / var_deviations, e imprime el resultado.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Compute the residuals and the deviations
residuals = ____ - y_data
deviations = np.____(____) - y_data

# Compute the variance of the residuals and deviations
var_residuals = np.____(np.____(____))
var_deviations = np.____(np.____(____))

# Compute r_squared as 1 - the ratio of RSS/Variance
r_squared = 1 - (____ / ____)
print('R-squared is {:0.2f}'.format(____))

Editar y ejecutar código