线性回归拟合优度度量

最新推荐文章于 2025-03-18 17:41:31 发布

IVHHH

最新推荐文章于 2025-03-18 17:41:31 发布

阅读量3.6k

点赞数 1

分类专栏：笔记文章标签：机器学习人工智能

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/weixin_41187013/article/details/115067344

版权

笔记专栏收录该内容

5 篇文章

订阅专栏

本文介绍了评估线性模型拟合效果的三种方法：1) 通过散点图和相关系数直观判断线性关系的强度；2) 使用t检验验证回归参数的显著性，从而确认X对Y的预测能力；3) 计算样本决定系数R²，衡量X解释Y变化的比例。这些方法提供了对模型拟合质量的量化分析。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在拟合了Y关于X的线性模型之后，我们不但想知道这种线性关系是否真的存在，还想度量模型对数据的拟合效果。拟合效果可以采用下面的方法之一进行度量，这些方法有很高的关联性。

1.Y对X的散点图、Y对Y的散点图

Y与X之间线性关系的强度还可以通过考察Y对X或Y对 $Y\widehat{}$ 的散点图和相关系数Cor(X,Y)(Cor( $Y\widehat{}$ ,Y))的值直接度量。散点图上的点离一条直线越近（或Cor(X,Y)/Cor(X, $Y\widehat{}$ ）越接近1、-1），Y与X（ $Y\widehat{}$ ）之间的线性关系越强。这个方法是不正规的且有主观性，但只需要线性假定。

详细步骤见《例解回归分析》（原书第五版）（美）Samprit Chatterjee Ali S.Hadi 著（p36）

2.回归参数和相关系数的t检验

X是否具备对Y的预测能力，一般可以通过相关系数和相应的Y对X的散点图来衡量。但是这只是一种视觉上的直观判断方法。现在提供一种更严格化的数量化方法：对回归参数 $\beta$ 做假设检验。

在模型中，若 $\beta$ =0意味着Y和X之间没有线性关系，若 $\beta$ !=0，则Y和X之间存在线性关系。因此对假设 $\beta$ =0做检验。前提是对于X的每一个固定的值，所有的 $\xi$ 都相互独立，且都服从均值为0，方差为 $\sigma ^{2}$ 的正态分布。

详细步骤见《例解回归分析》（原书第五版）（美）Samprit Chatterjee Ali S.Hadi 著（p30）

3. $R^{2}$ 拟合优度样本决定系数

$R^{2}$ 是一个拟合优度指数，表示的是响应变量Y的总离差平方和中能由预测变量X解释的比例。0<= $R^{2}$ <=1,如果 $R^{2}$ 接近1，说明Y的绝大部分变化可由X解释。因此， $R^{2}$ 称为决定系数，反应了预测变量对响应变量的解释能力。

详细步骤见《例解回归分析》（原书第五版）（美）Samprit Chatterjee Ali S.Hadi 著（p37）

参考文献

详细步骤见《例解回归分析》（原书第五版）（美）Samprit Chatterjee Ali S.Hadi 著

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。