数据科学- 回归表：R 平方
R - 平方
R-Squared 和 Adjusted R-Squared 描述了线性回归模型对数据点的拟合程度：
R-Squared 的值始终介于 0 到 1（0% 到 100%）之间。
- 较高的 R-Squared 值意味着许多数据点接近线性回归函数线。
- 较低的 R 平方值意味着线性回归函数线不能很好地拟合数据。
低 R - 平方值 (0.00) 的可视化示例
我们的回归模型显示 R 平方值为零，这意味着线性回归函数线不能很好地拟合数据。
当我们通过 Average_Pulse 和 Calorie_Burnage 的数据点绘制线性回归函数时，可以将其可视化。
高 R 平方值 (0.79) 的可视化示例
但是，如果我们绘制 Duration 和 Calorie_Burnage，R-Squared 会增加。 在这里，我们看到数据点接近线性回归函数线：
这是 Python 中的代码：
实例
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()
总结 - 使用 Average_Pulse 预测卡路里燃烧
我们如何总结以 Average_Pulse 作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)，这意味着我们无法得出 Average_Pulse 和 Calorie_Burnage 之间的关系。
- R-Squared 值为 0，表示线性回归函数线不能很好地拟合数据。
