如何使用R方和均方误差评估线性回归模型

线性回归模型是一种常用的统计分析方法，用于建立自变量与因变量之间的线性关系。在评估线性回归模型的性能时，常使用R方和均方误差来衡量其拟合效果。

一、R方（R-squared）评估线性回归模型

R方是一个统计指标，用于衡量线性回归模型对观测数据拟合的程度。R方的取值范围在0到1之间，值越接近1表示模型对数据的解释能力越强。

R方的计算公式为：R方 = 1 - SSR/SST，其中SSR表示残差平方和，SST表示总平方和。

下面是一个使用R方评估线性回归模型的示例：

import numpy as np

from sklearn.linear_model import LinearRegression

from sklearn.metrics import r2_score

# 创建自变量和因变量

X = np.array([[1, 1], [1, 2], [2, 2], [2, 3]])

y = np.dot(X, np.array([1, 2])) + 3

# 训练线性回归模型

reg = LinearRegression().fit(X, y)

# 预测

y_pred = reg.predict(X)

# 计算R方

r2 = r2_score(y, y_pred)

print("R方：", r2)

输出结果为：R方：1.0，表示模型对数据的拟合程度非常好。

二、均方误差（Mean Squared Error）评估线性回归模型

均方误差是一种常见的度量线性回归模型预测能力的评估指标。均方误差越小，表示模型对数据的预测效果越好。

均方误差的计算公式为：均方误差 = 1/n ∑(yi - yi_pred)^2，其中n表示样本数量，yi表示真实值，yi_pred表示模型预测值。

下面是一个使用均方误差评估线性回归模型的示例：

import numpy as np

from sklearn.linear_model import LinearRegression

from sklearn.metrics import mean_squared_error

# 创建自变量和因变量

X = np.array([[1, 1], [1, 2], [2, 2], [2, 3]])

y = np.dot(X, np.array([1, 2])) + 3

# 训练线性回归模型

reg = LinearRegression().fit(X, y)

# 预测

y_pred = reg.predict(X)

# 计算均方误差

mse = mean_squared_error(y, y_pred)

print("均方误差：", mse)

输出结果为：均方误差：2.0146e-29，表示模型对数据的预测非常准确。

通过使用R方和均方误差这两个评估指标，我们可以对线性回归模型的拟合效果进行客观的评估和比较。在实际应用中，根据模型的具体需求，可以选择合适的评估指标进行模型性能评估。