数据科学 - 回归表：R 平方

R-平方

R-Squared 和调整后的 R-Squared 描述了线性回归模型对数据点的拟合程度：

Regression Table - Stats of Coefficients

R-Squared 的值始终在 0 到 1（0% 到 100%）之间。

高 R 平方值意味着许多数据点接近线性回归函数线。
R 平方值较低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) 的视觉示例

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，可以将这一点可视化。

高 R 平方值 (0.79) 的视觉示例

然而，如果我们绘制期间和卡路里_燃烧，R 方增加。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：

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()

亲自试一试 »

摘要 - 使用 Average_Pulse 预测 Calorie_Burnage

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，这意味着线性回归函数线不能很好地拟合数据。