Assess model performance. Both the

Assess model performance. Both the Multiple R-Squared and Adjusted R-Squared values are measures of model performance. Possible values range from 0.0 to 1.0. The Adjusted R-Squared value is always a bit lower than the Multiple R-Squared value because it reflects model complexity (the number of variables) as it relates to the data, and consequently is a more accurate measure of model performance. Adding an additional explanatory variable to the model will likely increase the Multiple R-Squared value, but decrease the Adjusted R-Squared value. Suppose you are creating a regression model of residential burglary (the number of residential burglaries associated with each census block is your dependent variable, y). An Adjusted R-Squared value of 0.84 would indicate that your model (your explanatory variables modeled using linear regression) explains approximately 84% of the variation in the dependent variable, or said another way: your model tells approximately 84% of the residential burglary "story".

ผลลัพธ์ (ไทย) 1:

ประเมินรูปแบบประสิทธิภาพ ทั้งหลาย R Squared ปรับ R Squared ค่า และมีมาตรการของประสิทธิภาพการทำงานของแบบจำลอง ช่วงของค่าที่เป็นไปจาก 0.0 ถึง 1.0 การปรับค่า R-squared คือเสมอบิตต่ำกว่าหลายค่า R-squared เพราะสะท้อนถึงความซับซ้อนของโมเดล (จำนวนตัวแปร) มันเกี่ยวข้องกับข้อมูล และจึง เป็นตัวชี้วัดประสิทธิภาพแบบถูกต้องมากขึ้น เพิ่มตัวแปรอธิบายเพิ่มเติมให้รุ่นจะมีแนวโน้มเพิ่มหลายค่า R-squared แต่ลดการปรับค่า R-squared สมมติว่า คุณกำลังสร้างแบบจำลองการถดถอยของลักขโมยที่อยู่อาศัย (จำนวนที่อยู่อาศัย burglaries เกี่ยวข้องกับแต่ละบล็อกสำมะโนประชากรคือ การแปร y ขึ้น) การปรับค่า R-squared ของ 0.84 จะต้องระบุว่า รุ่นของคุณ (คุณอธิบายตัวแปรการสร้างแบบจำลองการถดถอยเชิงเส้นโดยใช้) อธิบายประมาณ 84% ของการเปลี่ยนแปลงในตัวแปร หรืออีกวิธีหนึ่งที่กล่าวว่า: ประมาณ 84% ของโจรกรรมอาศัย "เรื่อง" บอกรุ่นของคุณ

ผลลัพธ์ (ไทย) 2:

รูปแบบการประเมินผลงาน ทั้งหลาย R-Squared และปรับค่า R-Squared มาตรการของประสิทธิภาพการทำงานรูปแบบ ค่าที่เป็นไปในช่วง 0.0-1.0 ปรับค่า R-Squared เสมอ bit ต่ำกว่าหลายค่า R-Squared เพราะมันสะท้อนให้เห็นถึงความซับซ้อนของโมเดล (จำนวนตัวแปร) ที่เกี่ยวข้องกับข้อมูลและจึงเป็นวัดที่ถูกต้องมากขึ้นของประสิทธิภาพการทำงานรูปแบบ เพิ่มตัวแปรอธิบายเพิ่มเติมเพื่อให้รูปแบบมีแนวโน้มที่จะเพิ่มมูลค่าหลาย R-Squared แต่ลดลงปรับค่า R-Squared สมมติว่าคุณกำลังสร้างตัวแบบการถดถอยของการลักทรัพย์ที่อยู่อาศัย (จำนวนหัวขโมยที่อยู่อาศัยที่เกี่ยวข้องกับแต่ละบล็อกการสำรวจสำมะโนประชากรเป็นตัวแปรของคุณ, y) สมมติฐานค่า R-Squared 0.84 จะระบุว่ารูปแบบของคุณ (การอธิบายตัวแปรของคุณสร้างแบบจำลองโดยใช้การถดถอยเชิงเส้น) อธิบายถึงประมาณ 84% ของการเปลี่ยนแปลงในตัวแปรหรือกล่าวอีกทางหนึ่ง: รูปแบบของคุณจะบอกประมาณ 84% ของที่อยู่อาศัยลักทรัพย์ " เรื่อง".

ผลลัพธ์ (ไทย) 3:

ประเมินประสิทธิภาพของรูปแบบ ทั้งหลาย r-squared และปรับค่า r-squared มาตรการการปฏิบัติแบบ ค่าที่เป็นไปได้ตั้งแต่ 0.0 ถึง 1.0 ปรับด้อมอยู่เสมอบิตสูงกว่ามูลค่า r-squared หลาย เพราะมันสะท้อนให้เห็นถึงความซับซ้อนของโมเดล ( จำนวนตัวแปร ) ที่เกี่ยวข้องกับข้อมูล และจึงเป็นวัดที่ถูกต้องมากขึ้นของการทำงานแบบ การเพิ่มตัวแปรอธิบายเพิ่มเติมเพื่อให้รูปแบบมีแนวโน้มที่จะเพิ่มมูลค่า r-squared หลาย แต่ลดปรับด้อม . สมมติว่าคุณมีการสร้างแบบจำลองการถดถอยของลักทรัพย์ที่อยู่อาศัย ( จำนวน burglaries ที่อยู่อาศัยที่เกี่ยวข้องกับแต่ละบล็อกการสำรวจสำมะโนประชากรคือตัวแปร ตัวแปร y ของคุณ ) การปรับด้อมของข้อมูลจะระบุว่ารูปแบบของคุณ ( ตัวแปรอธิบายของคุณจำลองโดยใช้วิธีการถดถอยเชิงเส้น ) อธิบายประมาณ 84% ของความแปรปรวนในตัวแปรตาม หรือกล่าวอีกทาง : รูปแบบของคุณบอกประมาณ 84% ของที่อยู่อาศัยลักทรัพย์ " เรื่องราว "