Mi a kapcsolat az R-Squared és a modell korrelációs együtthatója között?

Válasz:

Ezt nézd. Hitel a Gaurav Bansalnak.

Magyarázat:

Megpróbáltam meggondolni, hogy mi a legjobb módja annak, hogy ezt megmagyarázzam, és megbotlottam egy olyan oldalon, amely nagyon szép munkát végez. Inkább adnám ezt a fickót a magyarázatnak. Abban az esetben, ha a hivatkozás nem működik, az alábbiakban néhány információt adtam.

Egyszerűen kijelentette: a # R ^ 2 # Az érték egyszerűen a korrelációs együttható négyzete # R #.

A korrelációs együttható (# R #) egy modell (mondjuk változókkal) #x# és # Y #) értékeket vesz fel #-1# és #1#. Leírja, hogyan #x# és # Y # korreláltak.

• Ha #x# és # Y # tökéletes egységben vannak, akkor ez az érték pozitív lesz #1#
• Ha #x# nő # Y # pontosan ellenkező módon csökken, akkor ez az érték lesz #-1#
• #0# olyan helyzet lenne, ahol nincs összefüggés #x# és # Y #

Ez azonban # R # Az érték csak egy egyszerű lineáris modell esetében hasznos (csak egy #x# és # Y #). Miután egynél több független változót veszünk figyelembe (most már van # # X_1, # # X_2, …), nagyon nehéz megérteni, hogy mit jelent a korrelációs együttható. Az, hogy melyik változó milyen mértékben járul hozzá a korrelációhoz, nem olyan világos.

Ez az, ahol a # R ^ 2 # az érték jön létre. Ez egyszerűen a korrelációs együttható négyzete. Az értékek között van #0# és #1#, ahol az értékek közel vannak #1# több korrelációt jelent (pozitívan vagy negatívan korrelálva) és #0# nincs összefüggés. Egy másik módja annak, hogy gondolkodjunk a függő változó frakcionált variációjában, amely az összes független változó eredménye. Ha a függő változó nagymértékben függ az összes független változótól, akkor az érték közel lesz #1#. Így # R ^ 2 # sokkal hasznosabb, mivel a többváltozós modellek leírására is használható.

Ha szeretne vitát folytatni a két értékkel kapcsolatos matematikai fogalmakról, tekintse meg ezt.