※ 引述《musicmen ()》之铭言： : ※ 引述《dreamson (做不完的事情)》之铭言： : : 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 : 恩恩..这好像也是我遇到的问题, 我希望这些找出来的参数a0, a1, a2 : 是可以被generalize的, 换句话说我希望以後我测到的任何data的variance : 至少可以被这些参数解释一部份, 不过这样看来的话是不是因为你无法假设 : 原本测量到的data是homogeneous? 还是这的确存在某些定义上的限制吗？ 先说题外话... 一般来说，自变项多用 x1, x2... 表示 自变项的系数多用 b1, b2... 表示 截距的话，有些人用 a 有些人用 b0 但是截距项不会有 x0 出现... 回主题... 你运用一组数据去建构一个回归式 R^2 是协助你决定是否接受这个这个模型设定的工具 一旦你接受这个模型了，在你运用这个已被接受的模型去做预测时 R^2 这项工具此时已经不具意义了... 因为你当初已经接受了这个模型的设定以及所估算出来的参数... 一个模型的预测效果好不好，并不是这样去测的 应该利用一组自变项资料去估算出一组依变项 然後看看这组估算出来的依变项表现如何... 估出来的结果如果不好，那麽这个模型就有讨论的空间了... 这时，你可能就得推翻或修改原先的模型 要修还是要翻？就要看研究人员的决定... -- ◢◣﹏﹏ 亲山近水 仁智兼备﹒﹒﹒ --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 61.231.225.222