4. Коэффициент детерминации

Четвертым инструментом, который мы рассмотрим, является коэффициент детерминации (R-squared, R2). R2 измеряет долю дисперсии зависимой переменной, которая объясняется независимыми переменными в модели. Диапазон значений R2 - от 0 до 1.

Значение R2 близкое к 1 указывает на то, что модель хорошо соответствует данным, в то время как значение, близкое к 0, означает, что модель не объясняет вариацию в данных лучше, чем простое среднее.

Пример вызова и получения R2 на Python может выглядеть так:

from sklearn.metrics import r2_score

# Предположим, что y_true - это фактические значения, а y_pred - прогнозируемые значения модели
y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]

# Вычисляем R2
r2 = r2_score(y_true, y_pred)

print("R-squared (R2):", r2)

# R-squared (R2): 0.9486081370449679

Этот код выведет значение R2 для приведенных фактических и прогнозируемых значений.