在Matlab中如何计算决定系数R^2和相关系数r

本文同步发布在我的网站上，欢迎来看看~

Problem

当你使用polyfit函数进行多项式拟合之后，你希望计算决定系数或者相关系数看看拟合效果如何。聪明的你肯定觉得聪明的 Matlab 的polyfit函数的返回值中会有$R^2$或者$r$吧。你尝试disp了一下，发现有一个结构体$S$。再查一查帮助文档，发现误差估计结构体$S$中只有一个范德蒙德矩阵$R$、自由度$df$和残差的范数$normr$，并没有你想要的$R^2$或者$r$。

Solution

很遗憾，我们还是需要手动计算这两个系数。

假设X是原始数据自变量，Y是原始数据因变量，我们先进行多项式拟合：

p = polyfit(X, Y, n); % n是多项式次数
Y_pre = polyval(p,X);

得到了Y_pre为多项式拟合后的预测值。

决定系数R-squared的计算

我们使用如下公式计算$R^2$​：
$$\begin{array}{rl}RSS& =\sum (y_{pre}-y{)}^2\\ TSS& =\sum (y-\overline{y}{)}^2\\ R^2& =1-\frac{RSS}{TSS}\end{array}$$
代码如下：

SSres = sum((Y_pre - Y).^2); % 残差平方和
SStot = sum((Y - mean(Y)).^2); % 总平方和
R_squared = 1 - (SSres / SStot); % R-squared

相关系数r的计算

计算相关系数$r$，可以使用corrcoef函数先计算相关系数矩阵，取其非对角线元素的值。

代码如下：

r = corrcoef(Y_pre, Y);
disp(r(1,2))

Others

$r$（相关系数）和 $R^2$​​（决定系数，也称为R-squared）是可以用于衡量数据的不同的方面的两个不同的统计量。

Calculation

$$\begin{array}{c}{R}^2=1-\frac{RSS}{TSS}=1-\frac{\sum (y_{pre}-y{)}^2}{\sum (y-\overline{y}{)}^2}\\ r=\frac{n(\sum xy)-(\sum x)(\sum y)}{\sqrt{[n\sum x^2-(\sum x{)}^2][n\sum y^2-(\sum y{)}^2]}}\\ R^2=r^2\end{array}$$

Comparison

1. 相关系数 $r\in [-1,1]$：衡量两个变量之间线性关系的强度和方向。
   • $r=1$ 表示完全正相关。
   • $r=-1$ 表示完全负相关。
   • $r=0$ 表示没有线性相关。
2. 决定系数 $R^2\in [0,1]$：衡量模型对因变量变异的解释程度。
   • R² = 1 表示模型完美地解释了数据的变异。
   • R² = 0 表示模型没有解释数据的任何变异。

R² 衡量模型拟合优度的指标，告诉我们模型对数据变异的解释程度有多好。而相关系数 r 仅仅告诉我们两个变量之间线性关系的强度，它并不对模型拟合优度全面评估。

如果想要更全面的评估，通常会看 $R^2$ 。

如果只关心两个变量之间是否有线性关系，看相关系数 $r$。

References

polyfit and R^2 value - MATLAB Answers - MATLAB Central (mathworks.cn)

相关系数 - MATLAB corrcoef - MathWorks 中国