<\/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 Deze tutorial toont twee voorbeelden van het berekenen van aangepaste R2<\/sup> voor een regressiemodel in Python.<\/span><\/p>\n Gerelateerd:<\/strong><\/span> Wat is een goede R-kwadraatwaarde?<\/a><\/p>\n De volgende code laat zien hoe u een meervoudig lineair regressiemodel past en hoe u het aangepaste R-kwadraat van het model berekent met behulp van sklearn:<\/span><\/span><\/p>\n De aangepaste R-kwadraat van het model blijkt 0,7787<\/strong> te zijn.<\/span><\/p>\n De volgende code laat zien hoe u een meervoudig lineair regressiemodel past en hoe u het aangepaste R-kwadraat van het model berekent met behulp van statsmodels:<\/span><\/p>\n De aangepaste R-kwadraat van het model blijkt 0,7787<\/strong> te zijn, wat overeenkomt met het resultaat van het vorige voorbeeld.<\/span><\/p>\n Hoe eenvoudige lineaire regressie uit te voeren in Python<\/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-1203","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Voorbeeld 1: bereken het aangepaste R-kwadraat met sklearn<\/strong><\/span><\/h3>\n
from<\/span> sklearn. linear_model<\/span> import<\/span> LinearRegression\nimport<\/span> pandas as<\/span> pd\n\n#define URL where dataset is located\n<\/span>url = \"https:\/\/raw.githubusercontent.com\/Statorials\/Python-Guides\/main\/mtcars.csv\"\n\n#read in data\n<\/span>data = pd. read_csv<\/span> (url)\n\n#fit regression model\n<\/span>model = LinearRegression<\/span> ()\nx, y = data[[\"mpg\", \"wt\", \"drat\", \"qsec\"]], data.hp\nmodel. fit<\/span> (x,y)\n\n#display adjusted R-squared\n<\/span>1 - (1-model. score<\/span> (X, y))*( len<\/span> (y)-1)\/( len<\/span> (y)-X. shape<\/span> [1]-1)\n\n0.7787005290062521<\/strong><\/pre>\n Voorbeeld 2: Bereken het aangepaste R-kwadraat met statistische modellen<\/strong><\/span><\/h3>\n
import<\/span> statsmodels. api<\/span> as<\/span> sm<\/span>\nimport<\/span> pandas as<\/span> pd\n\n#define URL where dataset is located\n<\/span>url = \"https:\/\/raw.githubusercontent.com\/Statorials\/Python-Guides\/main\/mtcars.csv\"\n\n#read in data\n<\/span>data = pd. read_csv<\/span> (url)\n\n#fit regression model\n<\/span>x, y = data[[\"mpg\", \"wt\", \"drat\", \"qsec\"]], data.hp\nX = sm. add_constant<\/span> (X)\nmodel = sm. OLS<\/span> (y,x). fit<\/span> ()\n\n#display adjusted R-squared\n<\/span>print<\/span> ( model.rsquared_adj<\/span> )\n\n0.7787005290062521<\/strong><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe u meerdere lineaire regressies uitvoert in Python<\/a>
Hoe AIC van regressiemodellen in Python te berekenen<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"