R2决定系数（R2 得分）详细计算-Toy模板网

这篇具有很好参考价值的文章主要介绍了R2决定系数（R2 得分）详细计算。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

定义

R2决定系数是对线性模型评估的一种评价指标，其值最大为1，最小为0，当值越接近于1，则说明模型越好；值越接近于0，则模型越差。

计算过程

使用 ${\text{y}}_i$ 表示真实的观测值，使用 $\overset{\_}{\mathop y}$ 表示真实观测值的平均值，使用 $\overset{\hat{}}{\mathop {y_i}}$ 表示预测值，于是就产生下以下的指标：

回归平方和（SSR）
$\sum\limits_{i = 1}^n {(\overset{\hat{}}{\mathop {{y_i}}} - \overset{ - }{\mathop y} } {)^2}$ 估计值与平均值的误差，反映自变量与因变量之间的相关程度的偏差平方和
残差平方和（SSE）
$\sum\limits_{i = 1}^n {(\overset{{}}{\mathop {{y_i}}} - \overset{\hat{}}{\mathop {{y_i}}} } {)^2}$ 即估计值与真实值的误差，反映模型拟合程度
总离差平方和（SST）
$\sum\limits_{i = 1}^n {(\overset{{}}{\mathop {{y_i}}} - \overset{\_}{\mathop {{y_{}}}} } {)^2}$ 即平均值和真实值之间的误差，反映与数学期望的偏离程度
R2 score ，即决定系数
反映因变量的全部变异能通过回归关系被变量解释的比例，计算公式：
${R^2} = 1 - \frac{{SSE}}{{{\text{SST}}}}$ 即 ${R^2} = 1 - \frac{{\sum\nolimits_{i = 1}^n {{{({y_i} - \overset{\hat{}}{\mathop {{y_i}}} )}^2}} }}{{\sum\nolimits_{i = 1}^n {{{({y_i} - \overset{\_}{\mathop {{y_{}}}} )}^2}} }}$ 进一步化简为：
${R^2} = 1 - \frac{{\sum\limits_i {{{({y_i} - {{\overset{\hat {}}{\mathop y} }_i})}^2}/n} }}{{\sum\limits_i {{{({y_i} - \overset{\_}{\mathop y} )}^2}/n} }} = 1 - \frac{{MSE}}{{Var}}$ 如此一来，分子就变成了常用的评价指标，均方误差MSE，分母则变成了方差，对于 ${R^2}$
       可以通俗的理解为使用均值作为误差基准，看预测误差是否大于或者小于均值基准误差
若：
       R2 score = 1，样本中预测值和真实值完全相等，没有任何误差，表示回归分析中自变量对因变量的解释越好
       R2 score = 0，此时分子等于分母，样本的每项预测值都等于均值

最后，是sklearn中的有关于模型评估的几个API：

import sklearn.metrics as sm  # 模型评估模块
# 拿到一组测试集模型进行模型评估
test_x = 测试变量数据集
test_y = 测试结果数据集

# 训练的模型，获取模型预测值
pred_test_y=model.predict(test_x)

# 平均绝对值误差 mae
print(sm.mean_absolute_error(test_y, pred_test_y))
# 平均平方误差：均方误差 mse
print(sm.mean_squared_error(test_y, pred_test_y))
# 中位数绝对偏差
print(sm.median_absolute_error(test_y, pred_test_y))
# r2_score
print(sm.r2_score(test_y,pred_test_y))