R-kare

Daha önce, başka bir uyum ölçüsü olan R-kare'i, RSS'nin VAR'a oranı cinsinden ifade etmiştik. Oranın pay ve paydasını 1/n ile çarptığımızda, sayısal eşdeğer form, modellediğimiz verideki doğrusal eğilimin varyansına bölünen artıkların varyansı oranı olarak görülebilir. Bu, verindeki varyansın ne kadarının modelin tarafından "açıklandığı"nın, doğrusal eğilimi çıkardıktan sonra kalan artıkların yayılımı ya da varyansı ile karşılaştırmalı bir ölçüsü olarak yorumlanabilir.

Burada en iyi uyumlu model için x_data, y_data ve model tahminleri y_model önceden yüklendi; amacın, bu doğrusal modelin verideki değişimin ne kadarını açıkladığını nicelleştirmek için R-kare ölçüsünü hesaplamak.

Bu egzersiz, kursun bir parçasıdır

Python ile Doğrusal Modellemenin Temelleri

Kursa Göz Atın

Egzersiz talimatları

residuals'ı, y_modeldan y_datayı çıkararak; deviations'ı ise y_datanın np.mean() değerinden y_datayı çıkararak hesapla.
Hem residuals hem de deviations için np.mean() ve np.square() kullanarak varyansı hesapla.
r_squared'ı 1 eksi var_residuals / var_deviations oranı olarak hesapla ve sonucu yazdır.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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(____))

Kodu Düzenle ve Çalıştır