R平方(判定係數)計算器

R平方(判定係數)計算器

成長中 AI Skill PRO

輸入計算

數學公式

R2=1−SSresSStot其中{SSres=∑(Y−Y^)2SStot=∑(Y−Y‾)2Y‾=1n∑Y\begin{gathered} R^{2} = 1 - \frac{SS_{res}}{SS_{tot}} \\[1.5em] \text{其中}\quad \left\{ \begin{aligned} SS_{res} &= \sum \left( \text{Y} - {{\hat{\text{Y}}}} \right)^{2} \\ SS_{tot} &= \sum \left( \text{Y} - \bar{\text{Y}} \right)^{2} \\ \bar{\text{Y}} &= \frac{1}{n}\sum \text{Y} \end{aligned} \right. \end{gathered}
使用統計

廣告

結果

R²(判定係數)
0.9486
已解釋的變異比例
殘差平方和(SS_res) 1.5
總平方和(SS_tot) 29.1875
資料點數量(n) 4

回報本頁錯誤

什麼是 R 平方?

R 平方(R²)又稱為判定係數,用來衡量模型的預測值與實際觀測資料的吻合程度,代表依變數的變異中有多少比例能由模型解釋。對一個合理的模型而言,R² 介於 0 到 1 之間:等於 1 表示預測完美貼合資料;等於 0 則表示模型完全無法解釋變異,效果與「直接用平均數預測」沒有兩樣。當模型的表現甚至比一條位於平均數的水平線還差時,R² 也可能出現負值。

帶迴歸直線的散佈圖,以點與直線之間的垂直間隙表示殘差
R 平方衡量迴歸直線對觀測資料點的擬合程度,垂直間隙即為殘差。

計算器使用方式

請以逗號分隔的方式輸入您的觀測值(實際的 Y 資料)以及預測值(模型輸出的 Ŷ)。兩組數列的順序必須對應、數量必須相同。按下計算後,即可得到 R²,並一併顯示殘差平方和(SS_res)、總平方和(SS_tot)以及使用的資料點數量。

公式說明

計算器會先算出觀測值的平均數。總平方和是每個觀測值與該平均數之差的平方總和:

$$SS_{tot} = \sum \left( y_i - \bar{y} \right)^{2}$$

殘差平方和則是觀測值與預測值之差的平方總和:

$$SS_{res} = \sum \left( y_i - \hat{y}_i \right)^{2}$$

接著以

$$R^{2} = 1 - \frac{SS_{res}}{SS_{tot}}$$

求得結果。當殘差相對於總變異很小時,\(SS_{res}/SS_{tot}\) 會趨近於 0,R² 也就越接近 1。

廣告
比較平均值周圍總變異與迴歸直線周圍殘差變異的示意圖
R² 將擬合直線周圍的殘差變異(SS_res)與平均值周圍的總變異(SS_tot)進行比較。

實例演算

假設觀測值為 3、−0.5、2、7,預測值為 2.5、0.0、2、8。觀測值的平均數為 \((3 - 0.5 + 2 + 7)/4 = 2.875\)。

$$SS_{res} = 0.5^{2} + (-0.5)^{2} + 0^{2} + (-1)^{2} = 0.25 + 0.25 + 0 + 1 = 1.5$$$$SS_{tot} = (0.125)^{2} + (-3.375)^{2} + (-0.875)^{2} + (4.125)^{2} \approx 0.015625 + 11.390625 + 0.765625 + 17.015625 = 29.1875$$

因此

$$R^{2} = 1 - \frac{1.5}{29.1875} \approx 0.9486$$
廣告

不同擬合情境下的 R²

所有列都使用相同的觀測值:2、4、6、8。平均數為 \(\bar{Y} = (2+4+6+8)/4 = 5\),因此 \(SS_{tot} = (-3)^2 + (-1)^2 + 1^2 + 3^2 = 9+1+1+9 = 20\)。只有預測值會改變。

情境 預測值 SS_res SS_tot R²
完美擬合 2、4、6、8 0 20 1
接近擬合 3、4、6、7 (-1)² + 0² + 0² + 1² = 2 20 0.9
中等擬合 4、4、6、6 (-2)² + 0² + 0² + 2² = 8 20 0.6
預測平均數 5、5、5、5 9 + 1 + 1 + 9 = 20 20 0
糟糕擬合(趨勢反向) 8、6、4、2 (-6)² + (-2)² + 2² + 6² = 80 20 -3

接近擬合的驗算:\(R^2 = 1 - 2/20 = 1 - 0.1 = 0.9\)。糟糕擬合的驗算:\(R^2 = 1 - 80/20 = 1 - 4 = -3\)。只要 \(SS_{res}\) 超過 \(SS_{tot}\),R² 就會小於零。

常見問題

R² 可能是負值嗎? 會的。當模型的表現比單純用資料平均數預測還差時,SS_res 會大於 SS_tot,R² 就會變成負數。

R² 越高就代表模型越好嗎? 不一定。高 R² 表示對「這一批資料」貼合得很好,但也可能是過度配適(overfitting)造成的。務必再用樣本外資料加以驗證。

R² 與調整後 R²(adjusted R²)有什麼差別? 調整後 R² 會對「加入無助於模型的解釋變數」進行懲罰,在多元迴歸中特別實用。本計算器提供的是未經調整的 R²。

最後更新:

數學和統計熱門計算器

查看全部數學和統計計算器