Numpy np.1D：如何计算R^2

我正在用线性回归拟合我的数据。但我想知道如何计算R2值。以下是我到目前为止的代码

total_csv= pd.read_csv('IgG1_sigma_biospin_neg.csv',header=0).iloc[:,:]
x_values=(19,20,21,22)
y_values=IgG1_sigma_biospin_neg.loc[0, ['19-', '20-', '21-', '22-']].tolist()


my_fitting= np.polyfit(x_values,y_values,1)
my_lin_fitting = np.poly1d(my_fitting) 
my_x=Symbol('x')
print('my_equation:',expand(my_lin_fitting (my_x)))

我得到了数据35.6499591999999*x+6018.6395529的线性拟合方程

In [95]:y_values
Out[95]: [6698.0902240000005, 6733.253559000001, 6757.754712999999, 6808.75637]

---

你知道如何计算R2值吗？

第一件事-你应该使用类/方法而不是np.polyfit（请参阅np.polyfit上的文档，指导人们使用更新的代码）

然后可以在此处使用polyfit方法。默认情况下，它将只返回系数。如果需要剩余值（R2），则指定

full=True

。polyfit随后还将返回一个列表，其中第一个元素是残差（R2）

上面代码的mod如下所示：

import numpy.polynomial.polynomial as poly

my_fitting, stats = poly.polyfit(x_values,y_values,1, full=True)
R2 = stats[0][0]

---

据我所知，

np.polyfit

不提供确定系数（R2）

理查德在回答中提到的残差是不同的，称为平方和误差（SSE）。更多信息请点击此处：

好消息是，您可以很容易地从SSE计算R2。首先计算平方和（SST），然后R2仅仅是

R2=1-SSE/SST

。（有关更多说明，请参见上面的链接。）

另一种方法是使用Scikit learn提供的已经实现的功能/

##  Alternative using sklearn
from sklearn.metrics import r2_score

predict = np.poly1d(coeff)
R2 = r2_score(y_values, predict(x_values))
print(R2)

---

这两种方法给出了完全相同的答案。

为了计算R平方（R2），我使用numpy的var（）方法“R2=1.0-（numpy.var（回归误差）/numpy.var（相依数据）），并用它告诉我相依数据方差的分数（y值方差）由模型解释。@JamesPhillips您能否详细说明

回归误差

和

相关数据

的含义？“回归误差=预测值-y值”，相关数据是“y值”。通过运行此代码，我得到以下消息<代码>my_fitting，stats=np.polyfit（x_值，y_值，1，full=True）

值错误：太多值无法解包（预期为2）

抱歉-我的错误。。。我上面的代码仍然在调用np.polyfit，而不是多项式库！我已将代码更新为调用poly.polyfit（），而不是np.polyfit（），谢谢您的回复。代码现在运行。然而，一定有一些数学错误。我得到的R2比1高131.76636504811702。也许检查一下输入值，然后试着画出系数返回的直线。。。polyfit确实起作用，第一个元素是残差（R^2）值。

##  Alternative using sklearn
from sklearn.metrics import r2_score

predict = np.poly1d(coeff)
R2 = r2_score(y_values, predict(x_values))
print(R2)