线性回归的拟合优度R^2 与相关系数

Michael_Flemming

已于 2022-08-20 12:58:04 修改

阅读量9.6k

点赞数 1

分类专栏： scikit-learn个人学习笔记文章标签：线性回归 r语言算法

于 2022-08-20 00:43:12 首次发布

本文链接：https://blog.csdn.net/weixin_44360866/article/details/126433986

版权

scikit-learn个人学习笔记专栏收录该内容

17 篇文章

订阅专栏

本文回顾了线性回归中的R²指标，解释其在评估模型拟合度的作用，并通过实例展示了如何使用scipy的pearsonr计算变量间的相关系数。内容涵盖了相关系数的概念、计算方法及其实用场景。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

很多统计的概念忘掉了，在这里记录一下。

线性回归R^2

学习链接：link1
link2

对于 sklearn中的各个线性回归类 ，其中的 score()方法 就是计算R^2来对拟合效果进行评分的。

# pearsonr
x = np.random.normal(0, 1, 500)
y_low_noise = x + np.random.normal(0, 1, 500)
y_high_noise = x + np.random.normal(0, 10, 500)

print('low noise:', stats.pearsonr(x, y_low_noise))
print('high noise:', stats.pearsonr(x, y_high_noise))
# 从结果发现，低噪声的两个变量具有强线性相关性；高噪声的两个变量无线性相关性。
# 下面画图感受下
plt.figure(figsize=(8, 4))
plt.subplot(1, 2, 1)
plt.scatter(x, y_low_noise, s=7)
plt.xlabel('x'), plt.ylabel('y_low_noise')
plt.subplot(1, 2, 2)
plt.scatter(x, y_high_noise, s=7, c='r')
plt.xlabel('x'), plt.ylabel('y_high_noise')
plt.tight_layout()
plt.show()

在这里插入图片描述

low noise: (0.6974075104800842, 4.561734311417325e-74)
high noise: (0.06881746167941208, 0.12434815182317167)

线性回归的 拟合优度R^2 与 相关系数

线性回归R^2

相关系数

线性回归的拟合优度R^2 与相关系数