※ 引述《musicmen ()》之銘言： : ※ 引述《dreamson (做不完的事情)》之銘言： : : R^2是在算迴歸模型中，自變數對應變數變異的解釋能力 : : 因此你用70% data估計出迴歸參數後，算出來的R^2當然是用原本 : : 70%的data去算出來的，你不能再拿另外30%data帶入去算R^2，那沒有 : : 意義，要有意義的話，就是在用剩下30%的data再去估計出另一條回歸式 : : 跑出來的R^2才是有意義的。 : : 你也可以去看一下R^2的公式，他所帶入的實際資料一定就是估計出參數的那些資料 : : 而不是另外在代資料 : 恩恩..這好像也是我遇到的問題, 我希望這些找出來的參數a0, a1, a2 : 是可以被generalize的, 換句話說我希望以後我測到的任何data的variance : 至少可以被這些參數解釋一部份, 不過這樣看來的話是不是因為你無法假設 : 原本測量到的data是homogeneous? 還是這的確存在某些定義上的限制嗎？ 先說題外話... 一般來說，自變項多用 x1, x2... 表示 自變項的係數多用 b1, b2... 表示 截距的話，有些人用 a 有些人用 b0 但是截距項不會有 x0 出現... 回主題... 你運用一組數據去建構一個迴歸式 R^2 是協助你決定是否接受這個這個模型設定的工具 一旦你接受這個模型了，在你運用這個已被接受的模型去做預測時 R^2 這項工具此時已經不具意義了... 因為你當初已經接受了這個模型的設定以及所估算出來的參數... 一個模型的預測效果好不好，並不是這樣去測的 應該利用一組自變項資料去估算出一組依變項 然後看看這組估算出來的依變項表現如何... 估出來的結果如果不好，那麼這個模型就有討論的空間了... 這時，你可能就得推翻或修改原先的模型 要修還是要翻？就要看研究人員的決定... -- ◢◣﹏﹏ 親山近水 仁智兼備﹒﹒﹒ --

※ 發信站: 批踢踢實業坊(ptt.cc) ◆ From: 61.231.225.222