为什么计算Rsquare不同嵌入的适应函数和EzyFit函数(从文件交换)?
42视图(30天)
显示旧的评论
接受的答案
约翰D 'Errico
2023年5月22日11:26里
编辑:约翰D 'Errico
2023年5月22日12:18
你知道R ^ 2是无效的,当计算模型没有常数项?相反,我记得有变化的R ^ 2更有效的模型,而没有常数项。
你有没有注意到其中一个计算R ^ 2是负的?这清楚地表明一个问题。你的模型没有常数项也表明存在问题的原因。
你的数据有一个例外,这将严重影响健康是另一个问题。我不会进入。
简单的一个数字措施R ^ 2是一个问题。他们是一个更大的问题,如果你不明白他们在告诉你什么。如果你是担心R ^ 2,在一个没有常数项的问题,然后你不理解R ^ 2。
让我花些时间写作和解释…
x1 = [
1734.46674110029
1721.86718990168
1456.18495599912
1748.16876863704
1262.25401459449
1584.17734249873
1859.79267910209
864.395721875175
1952.12705609501
1503.45890484099
1976.60164096334
3862.90470480267
1914.88763478115
1373.87007296104
1826.95766710343
1515.55469767365
1765.08584136511
1318.10668583756);
日元= [
4289.03428582923
2246.49016736711
1540.98595650498
2038.68253981628
3541.64494736076
4039.09183624669
3602.87690315152
1747.01379244271
4285.91071657769
2935.38381778387
2432.46183991586
4121.49502991896
2455.73593671295
4682.44200564969
3633.35882024405
1763.8042370884
1803.2292759675
3724.18628227003);
实际上,R ^ 2是一个非常简单的措施,比较数据本身的变化,如果我们基本上没有模型。我们可以从方差。
var(日元)
请注意,数据的均值方差减去。它隐式假设模型,这一过程是一个常数模型,添加了高斯噪声。的隐式模型方差计算是公正的
y = a0 +噪音
和我们可以恢复最好的最小二乘估计的a0的意思。
a0 =意味着(日元)
但你适合什么?你试图把一个模型,缺乏一个常数项。
y = a1 * x
我们可以直接从反斜杠,或者我们可以使用。因为我们将做这些手工计算本质上,我将使用反斜杠。
格式长g
a1 = x1 \ y1
不过,我也可以使用适合说服你,反斜杠是正确的。
mdl = fittype (“a1 * x1”,“它”,x1的);
(fittedmdl G) =适合(x1, y1, mdl)
fittedmdl.a1
所以相同的值,实际上应该是有点不准确,因为适合使用一个迭代过程。因此,污水在于收敛公差。
你会注意到返回- R ^ 2。再一次,这应该是一个提示。没有常数项。
现在,R ^ 2告诉我们什么?R ^ 2比较当前模型如何减少变化的数据,没有模型相比更复杂的比假设prcess仅仅是一个常数,加上噪声。
SSbase =总和((y1 -意味着(日元)。^ 2)
SSmdl =总和((y1 - a1 * x1)。^ 2)
正如您可以看到的,基本的平方和,我只减去较小的意思是那么平方和当我减去了这个模型的估计。R ^ 2计算现在是一个简单的例子。
R2bad = 1 - SSmdl / SSbase
所以,- R ^ 2告诉我们,你的模型不适合数据比如果你刚刚使用一个常数近似的过程。
最后,我们可能会考虑如果一个更好meaure(这一过程)是如何适应减少数据的简单的平方和,我们没有减去了的意思。
R2nocon = 1 - SSmdl /笔(y1。^ 2)
这假定默认模型的过程
y =噪音
的假定是零。这可能是ezyfit计算,因为它显然知道该模型没有常数项。
最后,我将情节的各种模型。
情节(x1, y1,“莫”)
持有在
情节(fittedmdl“r”)
yline(平均(日元)“b”)
蓝色的水平线是一个模型的过程没有信号,只是随机噪声。事实上,实际数据吻合得更好的解释误差的平方和,相对于线性符合没有常数项。
最后,mono-numerosis是一件坏事。从不依靠一个简单的数字告诉你如果你的模型是什么好,当然不是如果你不理解的数量。我甚至会更进一步,告诉你依靠你的眼睛,你的大脑,不是任何数量。如果适合看起来正确,它是正确的。至少,思考你在做什么。适合适合你需要的东西吗?