<\/p>\n
R-kwadrat<\/strong> , cz\u0119sto zapisywany jako R2<\/sup> , to proporcja wariancji zmiennej odpowiedzi<\/a> , kt\u00f3r\u0105 mo\u017cna wyja\u015bni\u0107 za pomoc\u0105 zmiennych predykcyjnych w modelu regresji liniowej<\/a> .<\/span><\/p>\n Warto\u015b\u0107 R kwadrat mo\u017ce mie\u015bci\u0107 si\u0119 w zakresie od 0 do 1. Warto\u015b\u0107 0 oznacza, \u017ce zmiennej odpowiedzi w og\u00f3le nie mo\u017cna wyja\u015bni\u0107 zmienn\u0105 predykcyjn\u0105, natomiast warto\u015b\u0107 1 oznacza, \u017ce zmienn\u0105 odpowiedzi mo\u017cna wyja\u015bni\u0107 za pomoc\u0105 zmiennej predykcyjnej. doskonale wyja\u015bnione bez b\u0142\u0119du przez predyktora. zmienne.<\/span><\/p>\n Skorygowane R-kwadrat<\/strong> to zmodyfikowana wersja R-kwadrat, kt\u00f3ra dostosowuje liczb\u0119 predyktor\u00f3w w modelu regresji. Oblicza si\u0119 go w nast\u0119puj\u0105cy spos\u00f3b:<\/span><\/p>\n Skorygowany R 2<\/sup> = 1 \u2013 [(1-R 2<\/sup> )*(n-1)\/(nk-1)]<\/strong><\/span><\/p>\n Z\u0142oto:<\/span><\/p>\n Poniewa\u017c wsp\u00f3\u0142czynnik R2<\/sup> zawsze wzrasta w miar\u0119 dodawania predyktor\u00f3w do modelu, skorygowany wsp\u00f3\u0142czynnik R2<\/sup> mo\u017ce s\u0142u\u017cy\u0107 jako metryka informuj\u0105ca o przydatno\u015bci modelu, skorygowany na podstawie liczby predyktor\u00f3w w modelu<\/em> .<\/span><\/p>\n W tym samouczku wyja\u015bniono, jak obliczy\u0107 skorygowany R2<\/sup> dla modelu regresji w R.<\/span><\/p>\n Powi\u0105zane:<\/strong><\/span> Jaka jest dobra warto\u015b\u0107 R-kwadrat?<\/a><\/p>\n Mo\u017cemy u\u017cy\u0107 poni\u017cszego kodu, aby utworzy\u0107 model regresji liniowej w R, korzystaj\u0105c z wbudowanego zbioru danych o nazwie mtcars<\/strong> :<\/span><\/p>\n Mo\u017cemy u\u017cy\u0107 jednej z trzech metod, aby znale\u017a\u0107 skorygowany R-kwadrat modelu:<\/span><\/p>\n Metoda 1: U\u017cyj funkcji podsumowania().<\/strong><\/span><\/p>\n Mo\u017cemy wizualizowa\u0107 zar\u00f3wno R-kwadrat, jak i skorygowany R-kwadrat modelu, po prostu u\u017cywaj\u0105c funkcji podsumowania()<\/strong> :<\/span><\/p>\n Na dole danych wyj\u015bciowych mo\u017cemy zobaczy\u0107, co nast\u0119puje:<\/span><\/p>\n Metoda 2: U\u017cyj podsumowania(model)$adj.r.squared<\/span><\/strong><\/p>\n Gdyby\u015bmy po prostu chcieli uzyska\u0107 skorygowany kwadrat R modelu, mogliby\u015bmy u\u017cy\u0107 nast\u0119puj\u0105cej funkcji:<\/span><\/p>\n Metoda 3: U\u017cyj funkcji niestandardowej<\/strong><\/span><\/p>\n Innym sposobem znalezienia dopasowanego kwadratu R modelu jest napisanie niestandardowej funkcji:<\/span><\/p>\n Nale\u017cy zauwa\u017cy\u0107, \u017ce ka\u017cda z trzech udost\u0119pnionych tutaj metod daje t\u0119 sam\u0105 warto\u015b\u0107 skorygowanego R-kwadrat.<\/span><\/p>\n Jak wykona\u0107 prost\u0105 regresj\u0119 liniow\u0105 w R<\/a> R-kwadrat , cz\u0119sto zapisywany jako R2 , to proporcja wariancji zmiennej odpowiedzi , kt\u00f3r\u0105 mo\u017cna wyja\u015bni\u0107 za pomoc\u0105 zmiennych predykcyjnych w modelu regresji liniowej . Warto\u015b\u0107 R kwadrat mo\u017ce mie\u015bci\u0107 si\u0119 w zakresie od 0 do 1. Warto\u015b\u0107 0 oznacza, \u017ce zmiennej odpowiedzi w og\u00f3le nie mo\u017cna wyja\u015bni\u0107 zmienn\u0105 predykcyjn\u0105, natomiast warto\u015b\u0107 1 oznacza, \u017ce […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-1200","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n\n
Przyk\u0142ad: Jak obliczy\u0107 skorygowany R-kwadrat w R<\/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 Dodatkowe zasoby<\/strong><\/span><\/h2>\n
Jak wykona\u0107 wielokrotn\u0105 regresj\u0119 liniow\u0105 w R<\/a>
Jak wykona\u0107 regresj\u0119 wielomianow\u0105 w R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"