« Coefficient de détermination » : différence entre les versions
Contenu supprimé Contenu ajouté
bandeau ébauche |
La première formule, que j'ai supprimée était le coefficient d'efficacité de Nash-Sutcliffe qui varie entre -infini et 1, et n'est pas le R^2 qui doit toujours être > 0 |
||
| Ligne 6 : | Ligne 6 : | ||
<math> |
<math> |
||
R^{ |
R^{2} = \frac{\sum_{i=1}^{n} (\hat{y_i} - \bar{y})^2}{\sum_{i=1}^{n} (y_i - \bar{y})^2} |
||
</math> |
</math> |
||
Version du 24 juin 2016 à 16:16
Cet article est une ébauche concernant les probabilités et la statistique.
Vous pouvez partager vos connaissances en l’améliorant (comment ?) selon les recommandations des projets correspondants.
En statistique, le coefficient de détermination () est une mesure de la qualité de la prédiction d'une régression linéaire.
Il est défini comme 1 moins le ratio entre l'erreur avec les valeurs prédites et la variance des données :
Avec les valeurs des mesures, les valeurs prédites et la moyenne des mesures.
Le coefficient de détermination varie entre 0 et 1. Lorsqu'il est proche de 0, le pouvoir prédictif du modèle est faible et lorsqu'il est proche de 1, le pouvoir prédictif du modèle est fort.
