完整定義
判定係數(R-squared)是一種統計方法,用於評估迴歸模型預測結果與實際值的擬合程度。R-squared 的值介於 0 到 1 之間,數值越高表示模型解釋變異的能力越強,模型預測的準確性越高。然而,高 R-squared 值並不一定代表模型是好的,需要結合其他指標一起評估。
白話說明
你看迴歸模型的結果時,會不會很想知道它到底解釋了多少變化?
你可以把 R-squared 想成模型的解釋力分數,分數越高,代表它越能抓住目標變數的起伏。
它不是在看「錯多少」,而是在看「看懂多少」。
記住這句
分數高不代表全對,只代表解釋得比較多。
比喻:R-squared 就像一個老師給你模型打的「解釋力分數」-- 滿分 1 分代表模型完美解釋了所有數據變化,0 分則表示模型完全沒解釋到什麼,分數越高代表模型越有說服力。
容易混淆
R-squared vs 均方誤差
均方誤差看的是預測錯多遠。
R-squared 看的是模型解釋了多少變化。
最關鍵的區別:一個看誤差大小,一個看解釋比例。
R-squared vs 均方根誤差
均方根誤差和原始單位相同,容易直觀感受偏差大小。
R-squared 是比例值,方便看整體解釋能力。
最關鍵的區別:一個看距離,一個看比例。
R-squared vs 相關係數
相關係數看兩個變數是否一起升降。
R-squared 看模型對目標變數的解釋程度。
最關鍵的區別:一個看關聯,一個看模型表現。
實際案例
廣告投放分析
你用廣告費用預測銷售額,R-squared 高,表示廣告費用對銷售波動有一定解釋力。
但它不保證每筆預測都很準。
房價模型
房價模型的 R-squared 若偏低,可能代表還有很多重要變數沒放進去,例如地段、屋齡或樓層。
這時候要先想特徵,而不是只盯著分數。
演算法與應用
R-squared 常由總變異和殘差變異的比例推得,簡單看就是模型把多少波動吃掉了。
它適合比較同一資料集上的迴歸模型,但不適合單獨拿來判斷一切。
如果模型太複雜,R-squared 可能很高,但也可能只是把訓練資料記太熟。
情境判斷
Q1(直覺題): 你想知道迴歸模型有沒有抓到目標變數的大方向,該看什麼?
看 R-squared,因為它反映的是模型解釋變化的能力。
Q2(判斷題): 如果 R-squared 很高,模型就一定值得上線嗎?
不一定,還要看誤差大小、資料外推表現和是否過擬合。
常見問題
常見情況是如此,但某些模型或特殊定義下也可能出現負值。
通常越高代表解釋力越強,但也要一起看驗證集表現,避免只是在訓練集上過度擬合。
不太適合,因為不同資料集的變異程度不同,分數不一定有同樣意義。
出現在這些考古題
官方公告試題的逐題解析裡,這 2 題把判定係數列為延伸術語。
相關術語
- 均方誤差Mean Squared Error先看這個,你會更清楚 R-squared 和「錯多少」的差別。
- 均方根誤差Root Mean Squared Error它更容易對應原始單位,和 R-squared 很常一起看。
- 偏差Bias如果模型總是差很多,常要回頭看偏差來源。
- 過擬合OverfittingR-squared 高不代表沒過擬合。
- 欠擬合Underfitting如果分數很低,也可能代表模型太簡單。
本頁內容有提到,或屬於同一組主題的術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本