ချိန်ညှိထားသော r-squared (ဥပမာများဖြင့်) အဓိပါယ်ဖွင့်နည်း

ကျွန်ုပ်တို့သည် linear regression မော်ဒယ်များနှင့် ကိုက်ညီသောအခါ၊ မော်ဒယ်၏ R-squared တန်ဖိုးကို မကြာခဏ တွက်ချက်ပါသည်။

R-squared တန်ဖိုးသည် မော်ဒယ်ရှိ ကြိုတင်ခန့်မှန်းကိန်းရှင်များမှ ရှင်းပြနိုင်သော တုံ့ပြန်မှုကိန်းရှင် ၏ ကွဲလွဲမှုအချိုးအစားဖြစ်သည်။

R နှစ်ထပ်ကိန်း၏တန်ဖိုးသည် 0 မှ 1 အထိ ကွဲပြားနိုင်သည်-

• 0 ၏တန်ဖိုးသည် တုံ့ပြန်မှုကိန်းရှင်အား ခန့်မှန်းသူကိန်းရှင်များမှ လုံးဝရှင်းပြမရနိုင်ကြောင်း ညွှန်ပြသည်။
• 1 ၏တန်ဖိုးသည် တုံ့ပြန်မှုကိန်းရှင်အား ကြိုတင်ခန့်မှန်းကိန်းရှင်များမှ စုံလင်စွာရှင်းပြနိုင်သည်ကို ညွှန်ပြသည်။

ဤမက်ထရစ်အား ဆုတ်ယုတ်မှုပုံစံတစ်ခုသည် ဒေတာအစုံနှင့် မည်မျှကိုက်ညီကြောင်း အကဲဖြတ်ရန် ယေဘူယျအားဖြင့် အသုံးပြုသော်လည်း၊ ၎င်းတွင် ဆိုးရွားသောအားနည်းချက်ရှိသည်။

R-squared ၏အားနည်းချက်

ဆုတ်ယုတ်မှုပုံစံသို့ ကြိုတင်ခန့်မှန်းကိန်းရှင်အသစ်တစ်ခုကို ထည့်လိုက်သောအခါ R-squared သည် အမြဲတမ်းတိုးနေလိမ့်မည်။

ကြိုတင်ခန့်မှန်းကိန်းရှင်အသစ်တစ်ခုသည် တုံ့ပြန်မှုကိန်းရှင်နှင့် ဆက်စပ်မှု မရှိသလောက်ပင်လျှင် ပမာဏအနည်းငယ်မျှဖြင့်ပင်လျှင် မော်ဒယ်၏ R-squared တန်ဖိုးသည် တိုးလာမည်ဖြစ်သည်။

ဤအကြောင်းကြောင့်၊ ဒေတာကို ကောင်းစွာမလိုက်လျောညီထွေမဖြစ်လျှင်ပင် မြင့်မားသော R-squared တန်ဖိုးရှိ ကြိုတင်ခန့်မှန်းကိန်းရှင်များစွာပါသော ဆုတ်ယုတ်မှုမော်ဒယ်အတွက် ဖြစ်နိုင်သည်။

ကံကောင်းထောက်မစွာ၊ ချိန်ညှိထားသော R-squared ဟုခေါ်သော R-squared ၏အခြားရွေးချယ်စရာတစ်ခုရှိသည်။

Adjusted R-squared သည် regression model ရှိ ကြိုတင်ခန့်မှန်းသူအရေအတွက်အတွက် ချိန်ညှိပေးသော R-squared ၏ မွမ်းမံထားသောဗားရှင်းတစ်ခုဖြစ်သည်။

အောက်ပါအတိုင်း တွက်ချက်သည်။

ချိန်ညှိထားသော R ² = 1 – [(1-R ² )*(n-1)/(nk-1)]

ရွှေ-

• R ² : မော်ဒယ်၏ R ²
• n : လေ့လာတွေ့ရှိချက်အရေအတွက်
• k : ကြိုတင်ခန့်မှန်းကိန်းရှင် အရေအတွက်

R-squared သည် မော်ဒယ်တစ်ခုသို့ သင်ကြိုတင်ခန့်မှန်းသူများကို ပေါင်းထည့်လိုက်သည်နှင့်အမျှ အမြဲတမ်းတိုးလာသောကြောင့်၊ ချိန်ညှိထားသော R-squared သည် မော်ဒယ်တစ်ခုအတွက် မည်မျှအသုံးဝင်သည်ကို ပြောပြနိုင်သည်၊ မော်ဒယ်တစ်ခုရှိ ကြိုတင်ခန့်မှန်းသူအရေအတွက်အတွက် ချိန်ညှိထားသည် ။

ချိန်ညှိထားသော R-squared ၏အားသာချက်-

ချိန်ညှိထားသော R-squared သည် မော်ဒယ်တစ်ခုရှိ ကြိုတင်ခန့်မှန်းသူအရေအတွက်အတွက် ချိန်ညှိထားသော တုံ့ပြန်မှုကိန်းရှင်တွင် ကွဲလွဲမှုကို ရှင်းပြနိုင်သည့် ခန့်မှန်းသူကိန်းရှင်အစုတစ်ခုအား မည်မျှကောင်းမွန်ကြောင်း ပြောပြသည်။

၎င်းကို တွက်ချက်နည်းကြောင့်၊ ချိန်ညှိထားသော R-squared ကို ကြိုတင်ခန့်မှန်းကိန်းရှင်များ၏ မတူညီသော ကိန်းဂဏာန်းများနှင့် နှိုင်းယှဥ်ပုံမော်ဒယ်များ၏ အံအားသင့်မှုကို နှိုင်းယှဉ်ရန် အသုံးပြုနိုင်သည်။

ချိန်ညှိထားသော R-squared ကို ပိုမိုကောင်းမွန်စွာ နားလည်ရန် အောက်ပါ ဥပမာကို ကြည့်ပါ။

ဥပမာ- Regression Models တွင် Adjusted R-squared ကို နားလည်ခြင်း။

ပါမောက္ခတစ်ဦးသည် ၎င်း၏အတန်းရှိ ကျောင်းသားများ၏ အချက်အလက်များကို စုဆောင်းပြီး အတန်းထဲတွင် စာသင်ကြားနေသည့် နာရီများနှင့် လက်ရှိအတန်းသည် နောက်ဆုံးစာမေးပွဲတွင် ကျောင်းသားရရှိသည့် အတန်းအပေါ် မည်ကဲ့သို့ အကျိုးသက်ရောက်သည်ကို နားလည်ရန် အောက်ပါဆုတ်ယုတ်မှုပုံစံနှင့် ကိုက်ညီသည်ဆိုပါစို့။

စာမေးပွဲရမှတ် = β ₀ + β ₁ (စာသင်ချိန်) + β ₂ (လက်ရှိတန်း)

ဤဆုတ်ယုတ်မှုပုံစံတွင် အောက်ပါ မက်ထရစ်များ ရှိသည်ဟု ယူဆကြပါစို့။

• R နှစ်ထပ်ကိန်း- 0.955
• ချိန်ညှိထားသော R-စတုရန်း- 0.946

ယခု ဆရာသည် ကျောင်းသားတစ်ဦးစီအတွက် အခြားပြောင်းလဲမှုတစ်ခုဖြစ်သည့် ဖိနပ်အရွယ်အစားကို စုဆောင်းရန် ဆုံးဖြတ်သည်ဆိုပါစို့။

ဤကိန်းရှင်သည် နောက်ဆုံးစာမေးပွဲအဆင့်နှင့် ဆက်စပ်မှုမရှိသင့်သော်လည်း၊ သူသည် အောက်ပါဆုတ်ယုတ်မှုပုံစံကို လိုက်လျောညီထွေဖြစ်အောင် ဆုံးဖြတ်သည်-

စာမေးပွဲရမှတ် = β ₀ + β ₁ (စာသင်ချိန်) + β ₂ (လက်ရှိနှစ်) + β ₃ (ဖိနပ်အရွယ်အစား)

ဤဆုတ်ယုတ်မှုပုံစံတွင် အောက်ပါ မက်ထရစ်များ ရှိသည်ဟု ယူဆကြပါစို့။

• R နှစ်ထပ်ကိန်း- 0.965
• ချိန်ညှိထားသော R-စတုရန်း- 0.902

ဤဆုတ်ယုတ်မှုမော်ဒယ်နှစ်ခုတစ်ခုစီအတွက် R-squared တန်ဖိုးများကိုသာ ကြည့်ရှုပါက၊ ဒုတိယမော်ဒယ်သည် ပိုမိုမြင့်မားသော R-squared တန်ဖိုးရှိသောကြောင့် အသုံးပြုရမည်ဟု ကျွန်ုပ်တို့ ကောက်ချက်ချနိုင်မည်ဖြစ်ပါသည်။

သို့သော်၊ ချိန်ညှိထားသော R-squared တန်ဖိုးများကိုကြည့်လျှင်၊ ကျွန်ုပ်တို့သည် မတူညီသောနိဂုံးတစ်ခုကို ရောက်ရှိလာသည်- ၎င်းသည် ချိန်ညှိထားသော R-squared တန်ဖိုးပိုမိုမြင့်မားသောကြောင့် ပထမမော်ဒယ်ကိုအသုံးပြုခြင်းသည် ပိုကောင်းပါသည်။

ဒုတိယမော်ဒယ်သည် ပထမမော်ဒယ်ထက် ကြိုတင်ခန့်မှန်းနိုင်သော ကိန်းရှင်များ ပိုများသောကြောင့် R-squared တန်ဖိုး ပိုမြင့်ပါသည်။

သို့သော်၊ ကျွန်ုပ်တို့ထည့်သွင်းထားသည့် ခန့်မှန်းကိန်းရှင်ကိန်းရှင် (ဖိနပ်အရွယ်အစား) သည် နောက်ဆုံးစာမေးပွဲရမှတ်၏ ညံ့ဖျင်းသော ခန့်မှန်းချက်ဖြစ်သောကြောင့်၊ ချိန်ညှိထားသော R-squared တန်ဖိုးသည် ဤကြိုတင်ခန့်မှန်းကိန်းရှင်ကို ထည့်သွင်းမှုအတွက် စံနမူနာကို အပြစ်ပေးခဲ့သည်။

ဤနမူနာတွင် ချိန်ညှိထားသော R-squared သည် ဆုတ်ယုတ်မှုပုံစံများ၏ အံဝင်ခွင်ကျဖြစ်သော ကြိုတင်ခန့်မှန်းကိန်းရှင်ကိန်းရှင်များနှင့် နှိုင်းယှဉ်သည့်အခါ အသုံးပြုရန် ပိုမိုကောင်းမွန်သည့် မက်ထရစ်ကို ဖော်ပြသည်။

ထပ်လောင်းအရင်းအမြစ်များ

အောက်ဖော်ပြပါ သင်ခန်းစာများသည် မတူညီသော စာရင်းအင်းဆော့ဖ်ဝဲကို အသုံးပြု၍ ချိန်ညှိထားသော R-squared တန်ဖိုးများကို တွက်ချက်နည်းကို ရှင်းပြသည်-

R ဖြင့် ချိန်ညှိထားသော R-squared တွက်ချက်နည်း
Excel တွင် ချိန်ညှိထားသော R-squared တွက်ချက်နည်း
Python တွင် ချိန်ညှိထားသော R-squared တွက်ချက်နည်း