菜单
×
   ❮     
HTML CSS JAVASCRIPT SQL PYTHON JAVA PHP HOW TO W3.CSS C C++ C# BOOTSTRAP REACT MYSQL JQUERY EXCEL XML DJANGO NUMPY PANDAS NODEJS R TYPESCRIPT ANGULAR GIT POSTGRESQL MONGODB ASP AI GO KOTLIN SASS VUE DSA GEN AI SCIPY AWS CYBERSECURITY DATA SCIENCE
     ❯   

数据科学 - 回归表:R 方


R 方

R 方和调整 R 方描述了线性回归模型对数据点的拟合程度

Regression Table - Stats of Coefficients

R 方的值总是在 0 到 1 之间(0% 到 100%)。

  • 高 R 方值表示许多数据点接近线性回归函数线。
  • 低 R 方值表示线性回归函数线与数据拟合不佳。

低 R 方值(0.00)的视觉示例

我们的回归模型显示 R 方值为零,这意味着线性回归函数线与数据拟合不佳。

当我们绘制 Average_Pulse 和 Calorie_Burnage 的散点图以及线性回归函数时,可以看到这一点。

Low R - Squared Value (0.00)

高 R 方值(0.79)的视觉示例

但是,如果我们绘制 **Duration** 和 **Calorie_Burnage**,R 方会增加。这里,我们看到数据点接近线性回归函数线。

Low R - Squared Value (0.00)

这是 Python 代码

示例

import pandas as pd
import matplotlib.pyplot as plt
from scipy import stats

full_health_data = pd.read_csv("data.csv", header=0, sep=",")

x = full_health_data["Duration"]
y = full_health_data ["Calorie_Burnage"]

slope, intercept, r, p, std_err = stats.linregress(x, y)

def myfunc(x)
 return slope * x + intercept

mymodel = list(map(myfunc, x))

print(mymodel)

plt.scatter(x, y)
plt.plot(x, mymodel)
plt.ylim(ymin=0, ymax=2000)
plt.xlim(xmin=0, xmax=200)
plt.xlabel("Duration")
plt.ylabel ("Calorie_Burnage")

plt.show()
自己动手试一试 »

总结 - 使用 Average_Pulse 预测 Calorie_Burnage

如何总结以 Average_Pulse 为解释变量的线性回归函数?

  • 系数为 0.3296,这意味着 Average_Pulse 对 Calorie_Burnage 的影响非常小。
  • 高 P 值(0.824)表示我们无法得出 Average_Pulse 和 Calorie_Burnage 之间存在关系的结论。
  • R 方值为 0,这意味着线性回归函数线与数据拟合不佳。

×

联系销售

如果您想将 W3Schools 服务用于教育机构、团队或企业,请发送电子邮件给我们
sales@w3schools.com

报告错误

如果您想报告错误,或想提出建议,请发送电子邮件给我们
help@w3schools.com

W3Schools 经过优化,旨在方便学习和培训。示例可能经过简化,以提高阅读和学习体验。教程、参考资料和示例会不断审查,以避免错误,但我们无法保证所有内容的完全正确性。使用 W3Schools 即表示您已阅读并接受我们的使用条款Cookie 和隐私政策

版权所有 1999-2024 Refsnes Data。保留所有权利。W3Schools 由 W3.CSS 提供支持