Dobroć dopasowania

Wprowadzenie do modelowania liniowego w Pythonie

Jason Vestuto

Data Scientist

3 różne R

Budowanie modeli:

Ocena modeli:

residuals = y_model - y_data
RSS = np.sum( np.square(residuals) )

mean_squared_residuals = np.sum( np.square(residuals) ) / len(residuals)

MSE = np.mean( np.square(residuals) )

RMSE = np.sqrt(np.mean( np.square(residuals)))

RMSE = np.std(residuals)

Odchylenia:

deviations = np.mean(y_data) - y_data
VAR = np.sum(np.square(deviations))

Reszty:

residuals = y_model - y_data
RSS = np.sum(np.square(residuals))

R-kwadrat:

r_squared = 1 - (RSS / VAR)
r = correlation(y_data, y_model)

Wykres punktowy wysokości względem odległości z czerwoną linią modelu przechodzącą przez punkty, obie poziome z zerowym nachyleniem

Wykres punktowy wysokości względem odległości z czerwoną linią modelu przechodzącą przez punkty, obie z małym, lekkim nachyleniem

Wykres punktowy wysokości względem odległości z czerwoną linią modelu przechodzącą przez punkty, obie z umiarkowanym nachyleniem

Wykres punktowy wysokości względem odległości z czerwoną linią modelu przechodzącą przez punkty, obie ze stromym nachyleniem

Wprowadzenie do modelowania liniowego w Pythonie