R^2是在算回归模型中，自变数对应变数变异的解释能力 因此你用70% data估计出回归参数後，算出来的R^2当然是用原本 70%的data去算出来的，你不能再拿另外30%data带入去算R^2，那没有 意义，要有意义的话，就是在用剩下30%的data再去估计出另一条回归式 跑出来的R^2才是有意义的。 你也可以去看一下R^2的公式，他所带入的实际资料一定就是估计出参数的那些资料 而不是另外在代资料 ※ 引述《musicmen ()》之铭言： : 如果是跟统计软体有关请重发文章 : 如果跟论文有关也烦请您重发文章 : 文章类别是为了帮助大家搜寻资料与解答，造成不便之处请见谅 : 请各位帮忙, 想请教一个问题, 小弟统计真的很嫩 : 我在做multiple regression的model : y = a0*x0 + a1*x1 + a2*x2 (a0 这项基本上就是intercept ) : 我把data 分作70% and 30% : 利用70%的data去算a1和a2和intercept这些参数 : 算出来之後, R^2大概平均是0.12这样 : 然後我把剩下的30%data套用算出来的参数, 然後再计算R^2 : 我用的是 residual = y - a*x (a = [a0 a1 a2], x是对应的矩阵) : SSerr = sum(residual.^2) : SStot = sum((y - mean(y)).^2) : R^2 = 1 - (SSerr / SStot) 是负的, 因为 SSerr> SStot : 为什麽会这样呢? 为什麽在70%的data里面 R^2就可以算的出来 : 而30%的data得到负的结果, 我看了一下数据, 也就是说 : y-mean(y) 的预测要比 model来的好.. 是不是我有弄错的地方？ --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 140.112.110.233