决定系数——Python 中的 R 平方值

作者

各位读者大家好！在本文中，我们将重点讨论Python 中的决定系数。那么，让我们开始吧！🙂

什么是决定系数（R 平方值）？

在深入探讨决定系数的概念之前，让我们首先了解通过误差指标评估机器学习模型的必要性。

在数据科学领域，为了解决任何模型，工程师/开发人员非常有必要在将模型应用于数据集之前评估模型的效率。模型的评估基于某些误差指标。决定系数就是这样一种误差度量。

决定系数通常也称为 R 平方值，用于regression error metric评估模型对其所应用的数据值的准确性和效率。

R 平方值描述了模型的性能。它描述了由数据模型的自变量预测的响应或目标变量的变化。

因此，简单来说，我们可以说，R 平方值有助于确定模型的混合程度以及数据集的决定（独立）变量对输出值的解释程度。

R平方的值范围在[0,1]之间。看看下面的公式吧！

R 2 = 1- SS res / SS tot

这里，

  • SS res 表示数据模型残差的平方和。
  • SS tot 表示误差总和。

R 平方值越高，模型和结果越好。

R 方与 NumPy 库

现在让我们尝试使用Python NumPy库实现 R 方。

我们按照以下步骤使用 Numpy 模块获取 R 平方的值：

  1. 使用函数计算相关矩阵numpy.corrcoef() 。
  2. 使用索引 [0,1] 对矩阵进行切片以获取 R 的值，即Coefficient of Correlation。
  3. 对 R 值求平方即可得到 R 平方值。

例子：

import numpy
actual = [1,2,3,4,5]
predict = [1,2.5,3,4.9,4.9]
 
corr_matrix = numpy.corrcoef(actual, predict)
corr = corr_matrix[0,1]
R_sq = corr**2
 
print(R_sq)

输出：

0.934602946460654

R 方与 Python sklearn 库

现在，让我们尝试使用 sklearn 库计算 R 平方的值。Python sklearn库为我们提供了一个r2_score()函数来确定决定系数的值。

例子：

from sklearn.metrics import r2_score
a =[1, 2, 3, 4, 5]
b =[1, 2.5, 3, 4.9, 5.1]
R_square = r2_score(a, b)
print('Coefficient of Determination', R_square)

输出：

Coefficient of Determination 0.8929999999999999

结论

至此，我们这个话题就结束了。如果您遇到任何问题，请随时在下面发表评论。有关更多与 Python 相关的此类帖子，请继续关注，直到那时。快乐学习！！🙂