直线拟合是数据分析中常见的任务，它可以帮助我们了解两个变量之间的关系。在直线拟合的过程中，我们通常会使用一些指标来评估拟合的好坏。本文将详细介绍R²、均方误差（MSE）等常用指标，并通过代码示例来帮助读者轻松掌握这些实用技巧。
R²（决定系数）
R²是衡量拟合优度的重要指标，它表示模型对数据的拟合程度。R²的取值范围在0到1之间，值越接近1表示拟合效果越好。
R²的计算方法
R²可以通过以下公式计算：
[ R^2 = 1 - \frac{SS{res}}{SS{tot}} ]
其中，( SS{res} ) 是残差平方和，( SS{tot} ) 是总平方和。
代码示例
以下是一个使用Python和Scikit-learn库计算R²的示例：
from sklearn.linear_model import LinearRegression
import numpy as np
# 创建数据集
X = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)
y = np.array([2, 4, 5, 4, 5])
# 创建线性回归模型
model = LinearRegression()
# 训练模型
model.fit(X, y)
# 计算R²
r_squared = model.score(X, y)
print("R²:", r_squared)
均方误差（MSE）
均方误差是衡量模型预测值与真实值之间差异的指标。MSE的值越小，表示模型的预测效果越好。
MSE的计算方法
MSE可以通过以下公式计算：
[ MSE = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2 ]
其中，( y_i ) 是真实值，( \hat{y}_i ) 是预测值，( n ) 是样本数量。
代码示例
以下是一个使用Python和Scikit-learn库计算MSE的示例：
from sklearn.metrics import mean_squared_error
# 创建数据集
X = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)
y = np.array([2, 4, 5, 4, 5])
# 创建线性回归模型
model = LinearRegression()
# 训练模型
model.fit(X, y)
# 预测值
y_pred = model.predict(X)
# 计算MSE
mse = mean_squared_error(y, y_pred)
print("MSE:", mse)
总结
本文介绍了直线拟合中的常用指标R²和MSE，并通过代码示例展示了如何使用Python和Scikit-learn库进行计算。通过学习本文，读者可以轻松掌握这些实用技巧，为数据分析工作提供有力支持。