<\/p>\n
R-kwadraat<\/strong> , vaak geschreven als R2<\/sup> , is het deel van de variantie in de responsvariabele<\/a> dat kan worden verklaard door de voorspellende variabelen in een lineair regressiemodel<\/a> .<\/span><\/p>\n De waarde van R kwadraat kan vari\u00ebren van 0 tot 1. Een waarde van 0 geeft aan dat de responsvariabele helemaal niet kan worden verklaard door de voorspellende variabele, terwijl een waarde van 1 aangeeft dat de responsvariabele kan worden verklaard door de voorspellende variabele. perfect uitgelegd zonder fouten door de voorspeller. variabelen.<\/span><\/p>\n Aangepaste R-kwadraat<\/strong> is een aangepaste versie van R-kwadraat die zich aanpast aan het aantal voorspellers in een regressiemodel. Het wordt als volgt berekend:<\/span><\/p>\n Aangepaste R 2<\/sup> = 1 \u2013 [(1-R 2<\/sup> )*(n-1)\/(nk-1)]<\/strong><\/span><\/p>\n Goud:<\/span><\/p>\n Omdat R2<\/sup> altijd toeneemt naarmate u voorspellers aan een model toevoegt, kan aangepaste R2<\/sup> dienen als een metriek die u vertelt hoe nuttig een model is, aangepast op basis van het aantal voorspellers in een model<\/em> .<\/span><\/p>\n In deze tutorial wordt uitgelegd hoe u de aangepaste R2<\/sup> voor een regressiemodel in R kunt berekenen.<\/span><\/p>\n Gerelateerd:<\/strong><\/span> Wat is een goede R-kwadraatwaarde?<\/a><\/p>\n We kunnen de volgende code gebruiken om een meervoudig lineair regressiemodel in R te maken met behulp van de ingebouwde dataset genaamd mtcars<\/strong> :<\/span><\/p>\n En we kunnen een van de volgende drie methoden gebruiken om het aangepaste R-kwadraat van het model te vinden:<\/span><\/p>\n Methode 1: Gebruik de functie summary().<\/strong><\/span><\/p>\n We kunnen zowel het R-kwadraat als het aangepaste R-kwadraat van het model visualiseren door eenvoudigweg de summary()-<\/strong> functie te gebruiken:<\/span><\/p>\n Onderaan de uitvoer kunnen we het volgende zien:<\/span><\/p>\n Methode 2: Gebruik summary(model)$adj.r.squared<\/span><\/strong><\/p>\n Als we eenvoudigweg het aangepaste R-kwadraat van het model willen verkrijgen, kunnen we de volgende functie gebruiken:<\/span><\/p>\n Methode 3: Gebruik een aangepaste functie<\/strong><\/span><\/p>\n Een andere manier om het gepaste R-kwadraat van het model te vinden, is door een aangepaste functie te schrijven:<\/span><\/p>\n Merk op dat elk van de drie hier gedeelde methoden dezelfde waarde geeft voor het aangepaste R-kwadraat.<\/span><\/p>\n Hoe eenvoudige lineaire regressie uit te voeren in R<\/a> R-kwadraat , vaak geschreven als R2 , is het deel van de variantie in de responsvariabele dat kan worden verklaard door de voorspellende variabelen in een lineair regressiemodel . De waarde van R kwadraat kan vari\u00ebren van 0 tot 1. Een waarde van 0 geeft aan dat de responsvariabele helemaal niet kan worden verklaard door […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-1202","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Voorbeeld: hoe u het aangepaste R-kwadraat in R berekent<\/strong><\/span><\/h3>\n
model <- lm<\/span> (hp ~ mpg + wt + drat + qsec, data=mtcars)\n<\/strong><\/pre>\n summary<\/span> (model)\n\nCall:\nlm(formula = hp ~ mpg + wt + drat + qsec, data = mtcars)\n\nResiduals:\n Min 1Q Median 3Q Max \n-48,801 -16,007 -5,482 11,614 97,338 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 473.779 105.213 4.503 0.000116 ***\nmpg -2.877 2.381 -1.209 0.237319 \nwt 26.037 13.514 1.927 0.064600 . \ndrat 4.819 15.952 0.302 0.764910 \nqsec -20.751 3.993 -5.197 1.79e-05 ***\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 32.25 on 27 degrees of freedom\nMultiple R-squared: 0.8073, Adjusted R-squared: 0.7787 \nF-statistic: 28.27 on 4 and 27 DF, p-value: 2.647e-09\n<\/strong><\/pre>\n\n
summary<\/span> (model)$adj.r.squared\n\n[1] 0.7787005\n<\/strong><\/pre>\n #define function to calculate adjusted R-squared<\/span>\nadj_r2 <- function<\/span> (x) {\n return<\/span> (1 - ((1-summary(x)$r.squared)*( nobs<\/span> (x)-1)\/( nobs<\/span> (x)- length<\/span> (x$coefficients)-1)))\n}\n\n#use function to calculate adjusted R-squared of the model\n<\/span>adj_r2(model)\n\n[1] 0.7787005\nnumeric(0)<\/strong><\/span><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe meervoudige lineaire regressie uit te voeren in R<\/a>
Hoe polynomiale regressie uit te voeren in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"