ПочатиПочніть безкоштовно

R-квадрат

Раніше ми подали іншу міру якості, R-квадрат, як відношення RSS до VAR. Помноживши чисельник і знаменник на 1/n, отримаємо числову форму як відношення дисперсії залишків до дисперсії лінійного тренду в даних, які ми моделюємо. Це можна тлумачити як міру того, яку частку дисперсії у ваших даних «пояснює» модель, на противагу розкиду або дисперсії залишків (після вилучення лінійного тренду).

Тут ми заздалегідь завантажили дані x_data, y_data і прогнозні значення моделі y_model для моделі найкращого прилягання; ваша мета — обчислити показник R-квадрат, щоб кількісно оцінити, яку частину варіації в даних пояснює ця лінійна модель.

Ця вправа є частиною курсу

Вступ до лінійного моделювання в Python

Переглянути курс

Інструкції до вправи

  • Обчисліть residuals, віднявши y_data від y_model, і deviations, віднявши y_data від np.mean() для y_data.
  • Обчисліть дисперсію residuals і дисперсію deviations, застосувавши np.mean() і np.square() до кожного.
  • Обчисліть r_squared як 1 мінус відношення var_residuals / var_deviations, і виведіть результат.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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(____))
Редагувати та запускати код