R-quadrado

Anteriormente, apresentamos outra medida de ajuste, o R-quadrado, em termos de uma razão entre RSS e VAR. Multiplicando numerador e denominador por 1/n, a forma numérica equivalente pode ser vista como a razão entre a variância dos resíduos e a variância da tendência linear nos dados que estamos modelando. Isso pode ser interpretado como uma medida de quanto da variância nos seus dados é "explicada" pelo seu modelo, em contraste com a dispersão ou variância dos resíduos (depois de remover a tendência linear).

Aqui, pré-carregamos os dados x_data, y_data e as previsões do modelo y_model para o melhor ajuste; seu objetivo é calcular a medida de R-quadrado para quantificar quanto esse modelo linear explica da variação nos dados.

Este exercicio faz parte do curso

Introdução à Modelagem Linear em Python

Ver curso

Instruções do exercicio

Calcule os residuals, subtraindo y_data de y_model, e os deviations, subtraindo y_data de np.mean() de y_data.
Calcule a variância dos residuals e a variância dos deviations, usando np.mean() e np.square() em cada um.
Calcule o r_squared como 1 menos a razão var_residuals / var_deviations, e imprima o resultado.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# 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 e Executar Código