R²(决定系数)计算器

R²(决定系数)计算器

新兴 AI Skill PRO

输入计算

数学公式

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}
使用统计

广告

结果

R²(决定系数)
0.9486
被解释的方差比例
残差平方和 (SS_res) 1.5
总平方和 (SS_tot) 29.1875
数据点个数 (n) 4

报告本页错误

什么是 R²?

R²(R-squared),又称决定系数,用来衡量模型的预测结果与实际观测数据的吻合程度。它表示因变量的变异中能够被模型解释的比例。对于一个合理的模型,R² 通常落在 0 到 1 之间:取值为 1 表示预测值与数据完全吻合;取值为 0 则说明模型完全无法解释数据的变化,效果与"直接用平均值预测"无异。当模型的拟合效果比一条位于均值处的水平线还要差时,R² 甚至可能出现负值。

带回归直线的散点图,用点与直线之间的竖直间隙表示残差
R 方衡量回归直线对观测数据点的拟合程度,竖直间隙即为残差。

如何使用本计算器

请将你的观测值(实际的 \(Y\) 数据)和预测值(模型输出的 \(\hat{Y}\))分别以英文逗号分隔的方式填入。两组数据的顺序要一一对应,长度也要相同。点击计算后,你将得到 \(R^{2}\) 值,以及残差平方和(\(SS_{res}\))、总平方和(\(SS_{tot}\))和参与计算的数据点个数。

公式解析

计算器首先求出观测值的平均数。总平方和是每个观测值与该平均数之差的平方之和:

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

残差平方和则是观测值与预测值之差的平方之和:

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

\(R^{2}\) 就等于

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

当残差相对于总变异很小时,\(SS_{res}/SS_{tot}\) 接近 0,\(R^{2}\) 便趋近于 1。

广告
比较均值周围总变异与回归直线周围残差变异的示意图
R² 将拟合直线周围的残差变异(SS_res)与均值周围的总变异(SS_tot)进行比较。

实例演算

假设观测值为 3、−0.5、2、7,预测值为 2.5、0.0、2、8。观测值的平均数为

$$\frac{3 - 0.5 + 2 + 7}{4} = 2.875$$

残差平方和为

$$SS_{res} = 0.5^{2} + (-0.5)^{2} + 0^{2} + (-1)^{2} = 0.25 + 0.25 + 0 + 1 = 1.5$$

总平方和为

$$SS_{tot} = (0.125)^{2} + (-3.375)^{2} + (-0.875)^{2} + (4.125)^{2} \approx 0.015625 + 11.390625 + 0.765625 + 17.015625 = 29.1875$$

因此

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

不同拟合情景下的 R²

所有行使用相同的观测值:2、4、6、8。均值为 \(\bar{Y} = (2+4+6+8)/4 = 5\),因此 \(SS_{tot} = (-3)^2 + (-1)^2 + 1^2 + 3^2 = 9+1+1+9 = 20\)。只有预测值会发生变化。

情景 预测值 SS_res SS_tot R²
完美拟合 2、4、6、8 0 20 1
接近拟合 3、4、6、7 (-1)² + 0² + 0² + 1² = 2 20 0.9
中等拟合 4、4、6、6 (-2)² + 0² + 0² + 2² = 8 20 0.6
预测均值 5、5、5、5 9 + 1 + 1 + 9 = 20 20 0
较差拟合(趋势反转) 8、6、4、2 (-6)² + (-2)² + 2² + 6² = 80 20 -3

接近拟合的验算:\(R^2 = 1 - 2/20 = 1 - 0.1 = 0.9\)。较差拟合的验算:\(R^2 = 1 - 80/20 = 1 - 4 = -3\)。只要 \(SS_{res}\) 超过 \(SS_{tot}\),R² 就会小于零。

常见问题

R² 会是负数吗? 会。当模型的拟合效果比单纯使用数据均值进行预测还要差时,\(SS_{res}\) 就会超过 \(SS_{tot}\),\(R^{2}\) 随之变为负值。

R² 越高就代表模型越好吗? 不一定。高 \(R^{2}\) 说明模型对当前这批数据拟合得很紧密,但也可能是过拟合(overfitting)所致。务必用样本外数据加以验证。

R² 和调整后 R²(adjusted R²)有何区别? 调整后 \(R^{2}\) 会对那些无助于改善模型的多余变量进行惩罚,在多元回归中尤为实用。本计算器给出的是未经调整的 \(R^{2}\)。

最后更新:

数学和统计热门计算器

查看全部数学和统计计算器