ÎncepețiÎncepe gratuit

R-Squared

Anterior, am exprimat o altă măsură a calității ajustării, R-squared, sub forma unui raport între RSS și VAR. Înmulțind atât numărătorul, cât și numitorul cu 1/n, forma numerică echivalentă poate fi interpretată ca raportul dintre varianța reziduurilor și varianța tendinței liniare din datele pe care le modelăm. Aceasta reflectă cât de mult din varianța datelor tale este „explicată" de model, în contrast cu dispersia reziduurilor (după eliminarea tendinței liniare).

Aici, datele x_data, y_data și predicțiile modelului y_model pentru cel mai bun model ajustat sunt deja încărcate; obiectivul tău este să calculezi măsura R-squared pentru a cuantifica în ce măsură acest model liniar explică variația din date.

Acest exercițiu face parte din cursul

Introducere în modelarea liniară în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • Calculează residuals scăzând y_data din y_model, și deviations scăzând y_data din media calculată cu np.mean() aplicată pe y_data.
  • Calculează varianța residuals și varianța deviations, folosind np.mean() și np.square() pentru fiecare.
  • Calculează r_squared ca 1 minus raportul var_residuals / var_deviations și afișează rezultatul.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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(____))
Editează și rulează codul