Calculateur de R² — coefficient de détermination

Calculateur de R² — coefficient de détermination

En croissance AI Skill PRO

Entrez le calcul

Formule

R2=1−SSresSStotoù{SSres=∑(Réel y−Prédit y^)2SStot=∑(Réel y−y‾)2y‾=1n∑Réel y\begin{gathered} R^{2} = 1 - \frac{SS_{res}}{SS_{tot}} \\[1.5em] \text{où}\quad \left\{ \begin{aligned} SS_{res} &= \sum \left( {{\text{Réel } y}} - {{\text{Prédit } \hat{y}}} \right)^{2} \\ SS_{tot} &= \sum \left( {{\text{Réel } y}} - \bar{y} \right)^{2} \\ \bar{y} &= \frac{1}{n}\sum {{\text{Réel } y}} \end{aligned} \right. \end{gathered}
Statistiques d'utilisation

Publicité

Résultats

Coefficient de détermination (R²)
0,9486
94,86% de variance expliquée
Nombre de points (n) 4
Moyenne des valeurs réelles 2,875
Somme des carrés des résidus (SSres) 1,5
Somme totale des carrés (SStot) 29,1875

Signaler une erreur sur cette page

Qu'est-ce que le coefficient de détermination (R²) ?

Le coefficient de détermination, noté R², mesure à quel point les prédictions d'un modèle collent aux données réellement observées. Il représente la part de la variance de la variable expliquée que le modèle parvient à restituer. Le R² varie de 1 — un ajustement parfait, où les prédictions correspondent exactement aux valeurs réelles — jusqu'à 0, lorsque le modèle ne fait pas mieux que de prédire simplement la moyenne. Il peut même devenir négatif quand le modèle se révèle moins performant que cette référence de base.

Nuage de points avec une droite de régression ajustée, montrant la part de la variance expliquée par la droite
Le R² mesure dans quelle mesure une droite ajustée explique la variation des points de données.

Comment utiliser ce calculateur

Saisissez votre liste de valeurs réelles observées (y) ainsi que la liste correspondante de valeurs prédites (ŷ), chacune sous forme de nombres séparés par des virgules et dans le même ordre. Le calculateur associe les couples, calcule la moyenne des valeurs réelles, puis en déduit la somme des carrés des résidus (SSres) et la somme totale des carrés (SStot) pour vous renvoyer le R² et le pourcentage de variance expliquée.

La formule expliquée

$$R^{2} = 1 - \frac{SS_{res}}{SS_{tot}}$$ Ici, \(SS_{res} = \sum (y_i - \hat{y}_i)^2\) correspond à l'erreur résiduelle qui subsiste après les prédictions du modèle, tandis que \(SS_{tot} = \sum (y_i - \bar{y})^2\) traduit la variabilité totale des données autour de leur propre moyenne. Le rapport entre les deux indique la fraction de variabilité que le modèle n'a pas su expliquer ; en la soustrayant de 1, on obtient la fraction qu'il a effectivement expliquée.

Publicité
Schéma comparant la variation totale autour de la moyenne à la variation résiduelle autour de la droite ajustée
SStot représente la dispersion autour de la moyenne ; SSres, la dispersion résiduelle autour de la droite ajustée.

Exemple concret

Réelles = [3, −0,5, 2, 7], Prédites = [2,5, 0,0, 2, 8]. Moyenne des valeurs réelles = 2,875. $$SS_{res} = 0{,}5^2 + 0{,}5^2 + 0^2 + 1^2 = 0{,}25 + 0{,}25 + 0 + 1 = 1{,}5$$ $$SS_{tot} = (0{,}125)^2 + (3{,}375)^2 + (0{,}875)^2 + (4{,}125)^2 \approx 0{,}0156 + 11{,}3906 + 0{,}7656 + 17{,}0156 = 29{,}1875$$ $$R^{2} = 1 - \frac{1{,}5}{29{,}1875} \approx 0{,}9486$$ : le modèle explique donc environ 94,9 % de la variance.

FAQ

Le R² peut-il être négatif ? Oui. Si vos prédictions font moins bien que la simple prédiction de la moyenne à chaque fois, SSres dépasse SStot et le R² devient négatif.

Un R² élevé signifie-t-il un bon modèle ? Pas toujours. Le R² peut être artificiellement gonflé par un surajustement (overfitting) ou par l'ajout de variables prédictives inutiles. Vérifiez-le toujours en parallèle des graphiques de résidus et des performances sur des données hors échantillon.

Quelle est la différence entre le R² et la corrélation ? Dans le cas d'une régression linéaire simple, le R² est égal au carré du coefficient de corrélation de Pearson (r) entre les valeurs réelles et les valeurs prédites.

Dernière mise à jour:

Les plus populaires dans Mathématiques et statistiques

Voir toutes les calculatrices de Mathématiques et statistiques