好的模型可以有低的 R 方值吗？
Can a good model have a low R square value?
我使用 scikit learn 进行了线性回归
当我在测试数据上看到我的均方误差时，它非常低 (0.09)
当我在测试数据上看到 r2_score 时，它也非常少 (0.05)
据我所知，当均方误差很低时，当前模型很好，但 r2_score 非常小，这表明模型不好
不明白我的回归模型好不好
好的模型可以具有较低的 R 方值还是坏的模型可以具有较低的均方误差值？
R^2 是衡量您的拟合度代表数据的程度。
假设您的数据具有线性趋势并且其中有一些噪声。我们可以构建数据并查看 R^2 是如何变化的：
数据
我将使用 numpy:
创建一些数据
xs = np.random.randint(10, 1000, 2000)
ys = (3 * xs + 8) + np.random.randint(5, 10, 2000)
适合
现在我们可以使用 scikit 创建一个拟合对象
reg = LinearRegression().fit(xs.reshape(-1, 1), ys.reshape(-1, 1))
而且我们可以从这个拟合中得到分数。
reg.score(xs.reshape(-1, 1), ys.reshape(-1, 1))
我的 R^2 是：0.9999971914416896
错误数据
假设我们有一组更分散的数据（上面有更多噪声）。
ys2 = (3 * xs + 8) + np.random.randint(500, 1000, 2000)
现在我们可以计算 ys2 的分数，以了解我们对 xs、ys2 数据的拟合程度：
reg.score(xs.reshape(-1, 1), ys2.reshape(-1, 1))
我的 R^2 是：0.2377175028951054
分数低。我们知道数据的趋势没有改变。它仍然是 3x+8 +（噪声）。但是 ys2 离合身更远了。
因此，R^2 是您的拟合代表数据的好坏程度的感应器。但数据本身的状况很重要。也许即使分数低，您也能得到最合适的选择。由于数据因噪声而分散。
我使用 scikit learn 进行了线性回归
当我在测试数据上看到我的均方误差时，它非常低 (0.09)
当我在测试数据上看到 r2_score 时，它也非常少 (0.05)
据我所知，当均方误差很低时，当前模型很好，但 r2_score 非常小，这表明模型不好
不明白我的回归模型好不好
好的模型可以具有较低的 R 方值还是坏的模型可以具有较低的均方误差值？
R^2 是衡量您的拟合度代表数据的程度。
假设您的数据具有线性趋势并且其中有一些噪声。我们可以构建数据并查看 R^2 是如何变化的：
数据
我将使用 numpy:
xs = np.random.randint(10, 1000, 2000)
ys = (3 * xs + 8) + np.random.randint(5, 10, 2000)
适合
现在我们可以使用 scikit 创建一个拟合对象
reg = LinearRegression().fit(xs.reshape(-1, 1), ys.reshape(-1, 1))
而且我们可以从这个拟合中得到分数。
reg.score(xs.reshape(-1, 1), ys.reshape(-1, 1))
我的 R^2 是：0.9999971914416896
错误数据
假设我们有一组更分散的数据（上面有更多噪声）。
ys2 = (3 * xs + 8) + np.random.randint(500, 1000, 2000)
现在我们可以计算 ys2 的分数，以了解我们对 xs、ys2 数据的拟合程度：
reg.score(xs.reshape(-1, 1), ys2.reshape(-1, 1))
我的 R^2 是：0.2377175028951054
分数低。我们知道数据的趋势没有改变。它仍然是 3x+8 +（噪声）。但是 ys2 离合身更远了。
因此，R^2 是您的拟合代表数据的好坏程度的感应器。但数据本身的状况很重要。也许即使分数低，您也能得到最合适的选择。由于数据因噪声而分散。