R-Squared
पहले, हमने goodness का एक और माप, R-squared, RSS और VAR के अनुपात के रूप में लिखा था। यदि हम अनुपात के ऊपर और नीचे दोनों को 1/n से गुणा करें, तो इसका संख्यात्मक समकक्ष रूप रेजिडुअल्स के variance को उस variance से भाग देने जैसा दिखता है जो हम मॉडल कर रहे डेटा में रैखिक ट्रेंड का है। इसे इस रूप में समझा जा सकता है कि आपके डेटा में कुल variance का कितना हिस्सा आपका मॉडल "explain" करता है, जबकि दूसरी ओर रेजिडुअल्स का फैलाव या variance (जब आपने रैखिक ट्रेंड हटा दिया हो) क्या है।
यहाँ x_data, y_data और बेस्ट-फिट मॉडल की भविष्यवाणियाँ y_model पहले से लोड हैं; आपका लक्ष्य R-squared निकालना है ताकि मापा जा सके कि यह linear मॉडल डेटा में variation को कितना समझाता है।
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Linear Modeling परिचय
अभ्यास निर्देश
residualsनिकालें:y_modelमें सेy_dataघटाएँ, औरdeviationsनिकालें:y_dataकेnp.mean()में सेy_dataघटाएँ।residualsका variance औरdeviationsका variance निकालें; दोनों के लिएnp.mean()औरnp.square()का उपयोग करें।r_squaredको 1 माइनस अनुपातvar_residuals / var_deviationsके रूप में निकालें, और परिणाम प्रिंट करें।
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# 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(____))