数据分析——两种求解R平方的方法

1、皮尔逊相关系数 (Pearson Correlation Coefficient)是衡量两个值线性相关强度的量,取值范围:[-1, 1],正向相关:>0,负向相关:<0,无相关性:=0
在这里插入图片描述
上式又可以表示为:
在这里插入图片描述
R^2是皮尔逊相关系数的平方,依然是表示两个值线性相关强度的量,取值范围:[0, 1],值越大,相关性越强。

import numpy as np
 
def computeCorrelation(x, y):
	xBar = np.mean(x)
	yBar = np.mean(y)
	covXY = 0
	varX = 0
	varY = 0
	for i in range(0, len(x)):
		diffxx = x[i] - xBar
		diffyy = y[i] - yBar
		covXY += (diffxx * diffyy)
		varX += diffxx ** 2
		varY += diffyy ** 2
	return covXY / np.sqrt(varX * varY)

x=np.linspace(-0.5,0.5,10)
noise=np.random.normal(0,0.02,10)
y=2*x+1+noise

R = computeCorrelation(x, y)
R2 = np.square(R)
print(R2)

运行结果:
0.9994448592313179

2、R^2还可以由下式计算得到,yihat表示预测值,yi表示真实值,ybar表示真实值的均值
在这里插入图片描述

import numpy as np

def computeCorrelation(x, y, degree):
	result = {}
	coeffs = np.polyfit(x, y, degree) # degree表示N次拟合
	result['coeffs'] = coeffs.tolist()
 
	p = np.poly1d(coeffs) # 得到拟合方程
	yhat = p(x) # 得到预测值
	ybar = np.sum(y) / len (y)
	SSR = np.sum((yhat -ybar)**2)
	SST = np.sum((y - ybar)**2)
	result['R2'] = SSR / SST
 
	return result['R2']

x=np.linspace(-0.5,0.5,10)
noise=np.random.normal(0,0.02,10)
y=2*x+1+noise

R2 = computeCorrelation(x, y, 1)
print(R2)

运行结果:
0.999732826660141

  • 4
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 2
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值