机器学习拟合R2
在机器学习中，拟合度（R2）是评估模型对数据拟合的一种常用指标。R2越接近1，说明模型对数据的拟合效果越好；反之，如果R2接近0，则说明模型对数据的拟合效果较差。
什么是R2？
R2值是确定系数，用于衡量模型对数据的拟合情况。它表示因变量的变化有多少百分比可以由自变量解释。R2的计算公式如下：
R_squared = 1 - (sum of squared residuals) / (total sum of squares)
其中，sum of squared residuals是残差平方和，total sum of squares是总平方和。
代码示例
让我们通过一个简单的代码示例来计算R2值。假设我们有一组数据，包括自变量X和因变量Y，我们想要用线性回归模型拟合这组数据，并计算出R2值。
import numpy as np
from sklearn.linear_model import LinearRegression
# 创建数据
X = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)
Y = np.array([2, 4, 6, 8, 10])
# 训练线性回归模型
model = LinearRegression()
model.fit(X, Y)
# 预测值
Y_pred = model.predict(X)
# 计算R2
r2 = model.score(X, Y)
print("R2值为:", r2)
上面的代码中，我们首先创建了一个简单的数据集，然后使用线性回归模型拟合数据，并计算出R2值。我们可以通过打印出的R2值来评估模型对数据的拟合效果。
可视化
为了更直观地展示模型对数据的拟合效果，我们可以使用饼状图来展示R2值。下面是一个使用mermaid语法中的pie标识的饼状图示例：
pie
title R2值
"R2" : 0.8
"残差" : 0.2
在这个示例中，R2值为0.8，即模型对数据的拟合效果较好，残差只占总体的20%。
结论
通过计算R2值，我们可以了解模型对数据的拟合效果。一个接近1的R2值表示模型拟合得很好，而一个接近0的R2值则表示模型拟合效果较差。因此，在机器学习中，我们可以通过R2值来评估模型的性能，并根据需要对模型进行优化。
