Évaluer l'ajustement du modèle avec R-carré

Modéliser des données avec le Tidyverse

Albert Y. Kim

Assistant Professor of Statistical and Data Sciences

R-carré

$R^2 = 1 - \frac{\text{Var}(\text{residuals})}{\text{Var}(y)}$

$R^2$ est compris entre 0 et 1
Plus petit $R^2$ ~ « moins bon ajustement »
$R^2 = 1$ ~ « ajustement parfait » et $R^2 = 0$ ~ « aucun ajustement »

Exemple avec R-carré élevé

$R^2 = 1 - \frac{\text{Var}(\text{residuals})}{\text{Var}(y)}$

R-carré élevé : « ajustement parfait »

$R^2 = 1 - \frac{\text{Var}(\text{residuals})}{\text{Var}(y)}$

Exemple avec R-carré faible

$R^2 = 1 - \frac{\text{Var}(\text{residuals})}{\text{Var}(y)}$

Exemple avec R-carré faible

$R^2 = 1 - \frac{\text{Var}(\text{residuals})}{\text{Var}(y)}$

Interprétation numérique

Puisque $\text{Var}(y) \geq \text{Var}(\text{residuals})$ et $$

$R^2 = 1 - \frac{\text{Var}(\text{residuals})}{\text{Var}(y)} = \frac{\text{Var}(y) - \text{Var}(\text{residuals})}{\text{Var}(y)}$

L'interprétation de $R^2$ est : la part de la variation totale de la variable de sortie $y$ expliquée par le modèle.

Calculer R-carré

# Modèle 1 : prix en fonction de la taille et de l'année de construction
model_price_1 <- lm(log10_price ~ log10_size + yr_built,
                    data = house_prices)

get_regression_points(model_price_1) %>%
  summarize(r_squared = 1 - var(residual)/var(log10_price))

# A tibble: 1 x 1
  r_squared
      <dbl>
1     0.483

Calculer R-carré

# Modèle 3 : prix en fonction de la taille et de l'état
model_price_3 <- lm(log10_price ~ log10_size + condition,
                    data = house_prices)

get_regression_points(model_price_3) %>%
  summarize(r_squared = 1 - var(residual)/var(log10_price))

# A tibble: 1 x 1
  r_squared
      <dbl>
1     0.462

Passons à la pratique !

Modéliser des données avec le Tidyverse