Tensorflow线性回归：获得调整后的R平方、系数、P值

与线性回归相关的关键参数很少，例如调整后的R平方、系数、p值、R平方、多重R等。使用google Tensorflow API实现线性回归时，这些参数是如何映射的？根据我的经验，我们是否可以在模型执行后/执行期间获得这些参数的值，如果您想在模型运行时获得这些值，那么您必须使用tensorflow函数手工编写它们的代码。如果在模型运行后需要它们，可以使用scipy或其他实现。下面是一些关于如何编写R^2、MAPE、RMSE

---

我认为R2的公式应该如下。请注意，当网络状况如此糟糕，以至于其预测效果比平均值差时，它将变为负值：

total_error = tf.reduce_sum(tf.square(tf.subtract(y, tf.reduce_mean(y))))

unexplained_error = tf.reduce_sum(tf.square(tf.subtract(y, pred)))

R_squared = tf.subtract(1.0, tf.divide(unexplained_error, total_error)) 

---

调整后的平方=1-[（1-R平方）*（n-1）/（n-k-1）]

---

而n是观察数，k是特征数

不应使用R平方的公式。这存在于Tensorflow插件中。您只需要将其扩展到调整后的R平方

我强烈建议不要使用配方来计算r平方本身！我发现的例子不能产生一致的结果，特别是对于一个目标变量。这让我非常头疼

正确的做法是使用。Tensorflow附加组件是，文档是。您所要做的就是将

y\u shape

设置为输出的形状，通常是单个输出变量的

（1，）

然后，您可以使用

RSquare（）

在处理调整的度量中返回的内容

total_error = tf.reduce_sum(tf.square(tf.subtract(y, tf.reduce_mean(y))))

unexplained_error = tf.reduce_sum(tf.square(tf.subtract(y, pred)))

R_squared = tf.subtract(1.0, tf.divide(unexplained_error, total_error))