1

在尝试实现用于计算决定系数 R² 的 python 函数时,我注意到根据我使用的计算顺序,我得到了截然不同的结果。

R² 上的维基百科页面对如何计算 R² 给出了看似非常清晰的解释。我对 wiki 页面上所说的内容的 numpy 解释如下:

def calcR2_wikipedia(y, yhat):
    # Mean value of the observed data y.
    y_mean = np.mean(y)
    # Total sum of squares.
    SS_tot = np.sum((y - y_mean)**2)
    # Residual sum of squares.
    SS_res = np.sum((y - yhat)**2)
    # Coefficient of determination.
    R2 = 1.0 - (SS_res / SS_tot)
    return R2

当我使用目标向量y和模型估计向量yhat尝试此方法时,此函数产生 -0.00301 的 R² 值。

但是,从讨论如何计算 R²的这个 stackoverflow 帖子中接受的答案给出了以下定义:

def calcR2_stackOverflow(y, yhat):
    SST = np.sum((y - np.mean(y))**2)
    SSReg = np.sum((yhat - np.mean(y))**2)
    R2 = SSReg/SST
    return R2

使用与以前相同的yyhat向量的方法,我现在得到 0.319 的 R²。

此外,在同一个 stackoverflow 帖子中,很多人似乎赞成使用 scipy 模块计算 R²,如下所示:

import scipy
slope, intercept, r_value, p_value, std_err = scipy.stats.linregress(yhat, y)
R2 = r_value**2

在我的情况下产生0.261。

所以我的问题是:为什么从看似广为接受的来源产生的 R² 值彼此完全不同?计算两个向量之间的 R² 的正确方法是什么?

4

1 回答 1

2

定义

这是一种符号滥用,通常会导致误解。您正在比较两个不同的系数:

  • 确定系数(通常记为R^2),可用于任何 OLS 回归,不仅是线性回归(OLS 是线性的拟合参数而非函数本身);
  • 皮尔逊相关系数(通常记为平方rr^2平方时),仅用于线性回归。

如果你仔细阅读维基百科页面上关于确定系数的介绍,你会看到那里有讨论,它的开头如下:

R2 有几个定义,它们只是有时是等价的。

MCVE

您可以确认这些分数的经典实现返回预期结果:

import numpy as np
import scipy
from sklearn import metrics

np.random.seed(12345)
x = np.linspace(-3, 3, 1001)
yh = np.polynomial.polynomial.polyval(x, [1, 2])
e = np.random.randn(x.size)
yn = yh + e

然后您的函数calcR2_wikipedia( 0.9265536406736125) 返回决定系数,可以确认它返回与sklearn.metrics.r2_score相同:

metrics.r2_score(yn, yh) # 0.9265536406736125

另一方面,scipy.stats.linregress返回相关系数(仅对线性回归有效):

slope, intercept, r_value, p_value, std_err = scipy.stats.linregress(yh, yn)
r_value # 0.9625821384210018

您可以通过它的定义交叉确认:

C = np.cov(yh, yn)
C[1,0]/np.sqrt(C[0,0]*C[1,1]) # 0.9625821384210017
于 2020-10-04T12:27:16.620 回答