Python で調整済み r 二乗を計算する方法

R2 は、多くの場合^R2と書かれ、線形回帰モデルの予測子変数によって説明できる応答変数の分散の割合です。

R 二乗の値の範囲は 0 から 1 です。値 0 は、応答変数が予測変数によってまったく説明できないことを示し、値 1 は、応答変数が予測変数によって説明できることを示します。予測子によってエラーなく完全に説明されます。変数。

調整済み R 二乗は、回帰モデル内の予測子の数を調整する R 二乗の修正バージョンです。次のように計算されます。

調整済み R ² = 1 – [(1-R ² )*(n-1)/(nk-1)]

金：

• ^R2 : モデルの^R2
• n : 観測値の数
• k : 予測子変数の数

^{R2 は}モデルに予測子を追加すると常に増加するため、モデル内の予測子の数に基づいて調整された調整された^{R2 は}、モデルがどの程度有用であるかを示す指標として機能します。

このチュートリアルでは、Python で回帰モデルの調整された^R2を計算する 2 つの例を示します。

関連: 適切な R 二乗値とは何ですか?

例 1: sklearn を使用して調整済み R 二乗を計算する

次のコードは、重線形回帰モデルを近似し、sklearn を使用してモデルの近似 R 二乗を計算する方法を示しています。

 from sklearn. linear_model import LinearRegression
import pandas as pd

#define URL where dataset is located
url = "https://raw.githubusercontent.com/Statorials/Python-Guides/main/mtcars.csv"

#read in data
data = pd. read_csv (url)

#fit regression model
model = LinearRegression ()
x, y = data[["mpg", "wt", "drat", "qsec"]], data.hp
model. fit (x,y)

#display adjusted R-squared
1 - (1-model. score (X, y))*( len (y)-1)/( len (y)-X. shape [1]-1)

0.7787005290062521

モデルの調整された R 二乗は0.7787であることがわかります。

例 2: 統計モデルを使用して調整済み R 二乗を計算する

次のコードは、重線形回帰モデルを近似し、statsmodels を使用してモデルの近似 R 二乗を計算する方法を示しています。

 import statsmodels. api as sm
import pandas as pd

#define URL where dataset is located
url = "https://raw.githubusercontent.com/Statorials/Python-Guides/main/mtcars.csv"

#read in data
data = pd. read_csv (url)

#fit regression model
x, y = data[["mpg", "wt", "drat", "qsec"]], data.hp
X = sm. add_constant (X)
model = sm. OLS (y,x). fit ()

#display adjusted R-squared
print ( model.rsquared_adj )

0.7787005290062521

モデルの調整された R 二乗は0.7787であることがわかり、これは前の例の結果と一致します。

追加リソース

Python で単純な線形回帰を実行する方法
Python で重回帰を実行する方法
Python で回帰モデルの AIC を計算する方法