حاسبة R² — معامل التحديد

حاسبة R² — معامل التحديد

رائد AI Skill PRO

أدخل الحساب

صيغة رياضية

R2=1−SSresSStotwhere{SSres=∑(Actual y−Predicted y^)2SStot=∑(Actual y−y‾)2y‾=1n∑Actual y\begin{gathered} R^{2} = 1 - \frac{SS_{res}}{SS_{tot}} \\[1.5em] \text{where}\quad \left\{ \begin{aligned} SS_{res} &= \sum \left( {{\text{Actual } y}} - {{\text{Predicted } \hat{y}}} \right)^{2} \\ SS_{tot} &= \sum \left( {{\text{Actual } y}} - \bar{y} \right)^{2} \\ \bar{y} &= \frac{1}{n}\sum {{\text{Actual } y}} \end{aligned} \right. \end{gathered}
إحصاءات الاستخدام

اعلان

نتائج

معامل التحديد (R²)
٠٫٩٤٨٦
٩٤٫٨٦نسبة التباين المُفسَّر %
عدد نقاط البيانات (n) ٤
متوسط القيم الفعلية ٢٫٨٧٥
مجموع مربعات البواقي (SSres) ١٫٥
مجموع المربعات الكلي (SStot) ٢٩٫١٨٧٥

الإبلاغ عن خطأ في هذه الصفحة

ما هو معامل التحديد (R²)؟

معامل التحديد، ويُرمز له بـ \(R^{2}\)، يقيس مدى توافق تنبؤات النموذج مع البيانات الفعلية المُلاحَظة. إنه ببساطة نسبة التباين في المتغير التابع الذي يستطيع النموذج تفسيره. تتراوح قيمة \(R^{2}\) بين 1 (مطابقة مثالية، حيث تساوي التنبؤات القيم الفعلية تمامًا) ونزولًا إلى 0 (النموذج لا يتفوق على مجرد التنبؤ بالمتوسط)، بل يمكن أن تصبح سالبة عندما يكون أداء النموذج أسوأ من اعتماد المتوسط كخط أساس.

مخطط انتشار يضم نقاط بيانات وخط انحدار ملائمًا، يوضح مدى تفسير الخط للتباين
يقيس R² مدى قدرة الخط الملائم على تفسير التباين في نقاط البيانات.

كيفية استخدام الحاسبة

أدخل قائمة القيم الفعلية المُلاحَظة (y) وقائمة القيم المتوقعة المقابلة لها (ŷ)، كلٌّ منها على هيئة أرقام مفصولة بفواصل وبالترتيب نفسه. تقوم الحاسبة بمطابقة كل قيمة بنظيرتها، ثم تحسب متوسط القيم الفعلية، وبعدها تستخرج مجموع مربعات البواقي (\(SS_{res}\)) ومجموع المربعات الكلي (\(SS_{tot}\)) لتُرجع لك قيمة \(R^{2}\) ونسبة التباين المُفسَّر.

شرح المعادلة

$$R^{2} = 1 - \frac{SS_{res}}{SS_{tot}}$$ هنا تمثّل \(SS_{res} = \sum (y_i - \hat{y}_i)^{2}\) مقدار الخطأ المتبقي بعد تنبؤات النموذج، بينما تمثّل \(SS_{tot} = \sum (y_i - \bar{y})^{2}\) إجمالي تشتّت البيانات حول متوسطها. وبقسمة الأولى على الثانية نعرف نسبة التباين التي عجز النموذج عن تفسيرها؛ وبطرح الناتج من 1 نحصل على النسبة التي نجح في تفسيرها.

اعلان
رسم تخطيطي يقارن التباين الكلي حول المتوسط بالتباين المتبقي حول الخط الملائم
SStot هو التشتت حول المتوسط، وSSres هو التشتت المتبقي حول الخط الملائم.

مثال محلول

القيم الفعلية = [3، −0.5، 2، 7]، والقيم المتوقعة = [2.5، 0.0، 2، 8]. متوسط القيم الفعلية = \(2.875\). $$SS_{res} = 0.5^{2} + 0.5^{2} + 0^{2} + 1^{2} = 0.25 + 0.25 + 0 + 1 = 1.5$$ $$SS_{tot} = 0.125^{2} + 3.375^{2} + 0.875^{2} + 4.125^{2} \approx 0.0156 + 11.3906 + 0.7656 + 17.0156 = 29.1875$$ وبذلك $$R^{2} = 1 - \frac{1.5}{29.1875} \approx 0.9486$$ أي أن النموذج يفسّر نحو 94.9% من التباين.

الأسئلة الشائعة

هل يمكن أن تكون قيمة \(R^{2}\) سالبة؟ نعم. إذا كانت تنبؤاتك أسوأ من مجرد تخمين المتوسط في كل مرة، فإن \(SS_{res}\) تتجاوز \(SS_{tot}\) وتصبح قيمة \(R^{2}\) سالبة.

هل ارتفاع \(R^{2}\) يعني أن النموذج جيد؟ ليس دائمًا — فقد ترتفع قيمة \(R^{2}\) بسبب فرط التخصيص (Overfitting) أو إضافة متغيرات تنبؤية غير ذات صلة. لذا قيّمها دائمًا جنبًا إلى جنب مع رسوم البواقي والأداء على بيانات خارج العينة.

ما الفرق بين \(R^{2}\) والارتباط؟ في الانحدار الخطي البسيط، تساوي قيمة \(R^{2}\) مربع معامل ارتباط بيرسون (\(r\)) بين القيم الفعلية والمتوقعة.

آخر تحديث:

الأكثر شيوعًا في الرياضيات والإحصاء

عرض جميع حاسبات الرياضيات والإحصاء