R yardstick rsq_trad R 平方 - 傳統

使用平方和的 R 平方的傳統定義來計算決定係數。對於嚴格介於 (0, 1) 之間的 R 平方度量，請參閱 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, ...)

參數

data: data.frame 包含由 truth 和 estimate 參數指定的列。
...: 目前未使用。
truth: 真實結果的列標識符(即 numeric )。這應該是一個不帶引號的列名，盡管此參數是通過表達式傳遞的並且支持quasiquotation(您可以不帶引號的列名)。對於 _vec() 函數，一個 numeric 向量。
estimate: 預測結果的列標識符(也是 numeric )。與 truth 一樣，可以通過不同的方式指定，但主要方法是使用不帶引號的變量名稱。對於 _vec() 函數，一個 numeric 向量。
na_rm: logical 值，指示在計算繼續之前是否應剝離 NA 值。
case_weights: 案例權重的可選列標識符。這應該是一個不帶引號的列名稱，其計算結果為 data 中的數字列。對於 _vec() 函數，一個數值向量。

值

tibble 包含列 .metric 、 .estimator 和 .estimate 以及 1 行值。

對於分組 DataFrame ，返回的行數將與組數相同。

對於 rsq_trad_vec() ，單個 numeric 值(或 NA )。

細節

決定係數的兩個估計值 rsq() 和 rsq_trad() 的公式不同。前者保證 (0, 1) 上的值，而後者在模型無信息時可能生成不準確的值(請參閱示例)。兩者都是一致性/相關性的衡量標準，而不是準確性的衡量標準。

參考

克瓦爾塞斯。關於 R^2 的注意事項。美國統計學家(1985)卷。 39 (4) 第 279-285 頁。

也可以看看

其他數字指標：ccc() , huber_loss_pseudo() , huber_loss() , iic() , mae() , mape() , mase() , mpe() , msd() , poisson_log_loss() , rmse() , rpd() , rpiq() , rsq() , smape()

其他一致性指標：ccc()、rpd()、rpiq()、rsq()

作者

馬克斯·庫恩

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

源代碼：R/num-rsq_trad.R

相關用法

注：本文由純淨天空篩選整理自Max Kuhn等大神的英文原創作品 R squared - traditional。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。