使用平方和的 R 平方的传统定义来计算决定系数。对于严格介于 (0, 1) 之间的 R 平方度量,请参阅 rsq()
。
用法
rsq_trad(data, ...)
# S3 method for data.frame
rsq_trad(data, truth, estimate, na_rm = TRUE, case_weights = NULL, ...)
rsq_trad_vec(truth, estimate, na_rm = TRUE, case_weights = NULL, ...)
参数
- data
-
data.frame
包含由truth
和estimate
参数指定的列。 - ...
-
目前未使用。
- truth
-
真实结果的列标识符(即
numeric
)。这应该是一个不带引号的列名,尽管此参数是通过表达式传递的并且支持quasiquotation(您可以不带引号的列名)。对于_vec()
函数,一个numeric
向量。 - estimate
-
预测结果的列标识符(也是
numeric
)。与truth
一样,可以通过不同的方式指定,但主要方法是使用不带引号的变量名称。对于_vec()
函数,一个numeric
向量。 - na_rm
-
logical
值,指示在计算继续之前是否应剥离NA
值。 - case_weights
-
案例权重的可选列标识符。这应该是一个不带引号的列名称,其计算结果为
data
中的数字列。对于_vec()
函数,一个数值向量。
值
tibble
包含列 .metric
、 .estimator
和 .estimate
以及 1 行值。
对于分组 DataFrame ,返回的行数将与组数相同。
对于 rsq_trad_vec()
,单个 numeric
值(或 NA
)。
细节
决定系数的两个估计值 rsq()
和 rsq_trad()
的公式不同。前者保证 (0, 1) 上的值,而后者在模型无信息时可能生成不准确的值(请参阅示例)。两者都是一致性/相关性的衡量标准,而不是准确性的衡量标准。
例子
# Supply truth and predictions as bare column names
rsq_trad(solubility_test, solubility, prediction)
#> # A tibble: 1 × 3
#> .metric .estimator .estimate
#> <chr> <chr> <dbl>
#> 1 rsq_trad standard 0.879
library(dplyr)
set.seed(1234)
size <- 100
times <- 10
# create 10 resamples
solubility_resampled <- bind_rows(
replicate(
n = times,
expr = sample_n(solubility_test, size, replace = TRUE),
simplify = FALSE
),
.id = "resample"
)
# Compute the metric by group
metric_results <- solubility_resampled %>%
group_by(resample) %>%
rsq_trad(solubility, prediction)
metric_results
#> # A tibble: 10 × 4
#> resample .metric .estimator .estimate
#> <chr> <chr> <chr> <dbl>
#> 1 1 rsq_trad standard 0.870
#> 2 10 rsq_trad standard 0.878
#> 3 2 rsq_trad standard 0.891
#> 4 3 rsq_trad standard 0.913
#> 5 4 rsq_trad standard 0.889
#> 6 5 rsq_trad standard 0.857
#> 7 6 rsq_trad standard 0.872
#> 8 7 rsq_trad standard 0.852
#> 9 8 rsq_trad standard 0.915
#> 10 9 rsq_trad standard 0.883
# Resampled mean estimate
metric_results %>%
summarise(avg_estimate = mean(.estimate))
#> # A tibble: 1 × 1
#> avg_estimate
#> <dbl>
#> 1 0.882
# With uninformitive data, the traditional version of R^2 can return
# negative values.
set.seed(2291)
solubility_test$randomized <- sample(solubility_test$prediction)
rsq(solubility_test, solubility, randomized)
#> # A tibble: 1 × 3
#> .metric .estimator .estimate
#> <chr> <chr> <dbl>
#> 1 rsq standard 0.00199
rsq_trad(solubility_test, solubility, randomized)
#> # A tibble: 1 × 3
#> .metric .estimator .estimate
#> <chr> <chr> <dbl>
#> 1 rsq_trad standard -1.01
相关用法
- R yardstick rsq R 平方
- R yardstick rpd 性能与偏差之比
- R yardstick rpiq 绩效与四分位间的比率
- R yardstick roc_aunp 使用先验类别分布,每个类别相对于其他类别的 ROC 曲线下面积
- R yardstick roc_curve 接收者算子曲线
- R yardstick recall 记起
- R yardstick roc_aunu 使用均匀类别分布,每个类别相对于其他类别的 ROC 曲线下面积
- R yardstick rmse 均方根误差
- R yardstick roc_auc 接收者操作曲线下面积
- R yardstick pr_auc 查准率曲线下面积
- R yardstick accuracy 准确性
- R yardstick gain_capture 增益捕获
- R yardstick pr_curve 精确率召回曲线
- R yardstick conf_mat 分类数据的混淆矩阵
- R yardstick mn_log_loss 多项数据的平均对数损失
- R yardstick mae 平均绝对误差
- R yardstick detection_prevalence 检测率
- R yardstick bal_accuracy 平衡的精度
- R yardstick msd 平均符号偏差
- R yardstick mpe 平均百分比误差
- R yardstick iic 相关性理想指数
- R yardstick npv 阴性预测值
- R yardstick sens 灵敏度
- R yardstick poisson_log_loss 泊松数据的平均对数损失
- R yardstick ppv 阳性预测值
注:本文由纯净天空筛选整理自Max Kuhn等大神的英文原创作品 R squared - traditional。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。