R yardstick rsq_trad R 平方 - 传统

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。

参考

克瓦尔塞斯。关于 R^2 的注意事项。美国统计学家(1985)卷。 39 (4) 第 279-285 页。

也可以看看

其他数字指标：ccc() , huber_loss_pseudo() , huber_loss() , iic() , mae() , mape() , mase() , mpe() , msd() , poisson_log_loss() , rmse() , rpd() , rpiq() , rsq() , smape()

其他一致性指标：ccc()、rpd()、rpiq()、rsq()

作者

马克斯·库恩

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

源代码：R/num-rsq_trad.R

相关用法

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。