a:

Одним из основных различий между R-квадратом и скорректированным R-квадратом является то, что R-квадрат предполагает, что каждая независимая переменная в модели объясняет изменение зависимой переменной. Он дает процент объясненных изменений, как если бы все независимые переменные в модели влияли на зависимую переменную, тогда как скорректированное R-квадрат дает процент вариации, объясняемый только теми независимыми переменными, которые в действительности влияют на зависимую переменную. R-squared не может проверить, предвзято ли показатель шарового коэффициента и его прогнозы. Он также не показывает, удовлетворяет ли модель регрессии; он может отображать фигуру R-квадрата для хорошей модели или высокий квадрат R-квадрата для модели, которая не подходит.

Скорректированный R-квадрат сравнивает описательную силу регрессионных моделей, которые включают в себя разнообразные числа предикторов. Каждый предсказатель, добавленный к модели, увеличивает R-квадрат и никогда не уменьшает его. Таким образом, модель с большим количеством терминов, по-видимому, лучше подходит только для того, чтобы иметь больше терминов, тогда как скорректированный R-квадрат компенсирует добавление переменных и только увеличивается, если новый термин увеличивает модель выше того, что было бы полученной по вероятности и уменьшающейся, когда предиктор увеличивает модель меньше, чем предсказано случайно. В условиях переобучения получается неверно высокое значение R-квадрата, что приводит к уменьшенной способности прогнозировать. Это не относится к скорректированному R-квадрату.

Скорректированный R-квадрат - это модифицированная версия R-квадрата для числа предикторов в модели. Скорректированное R-квадрат может быть отрицательным, но не всегда, в то время как значение R-квадрата составляет от нуля до 100 и показывает линейную зависимость в выборке данных, даже если нет базовых отношений. Скорректированное R-квадрат - лучшая оценка степени отношения к основной популяции. Чтобы показать соотношение моделей с R-квадратом, выберите модель с максимальным лимитом, но лучший и простой способ сравнить модели - выбрать один с меньшим скорректированным R-квадратом. Скорректированное R-квадрат не является типичной моделью для сравнения нелинейных моделей, но несколько линейных регрессий.