मशीन लर्निंग बेसलाइन मॉडल के लिए समायोजित R-स्क्वेयर्ड कैलकुलेटर
कई इनपुट फीचर्स वाले प्रेडिक्टिव मॉडल का बेंचमार्क करने के लिए उपयोग किया जाने वाला एक बड़ा डेटासेट।
R², नमूना आकार और प्रेडिक्टर्स की संख्या का उपयोग करके प्रतिगमन मॉडल के लिए समायोजित R² मान की गणना करता है। तुरंत समायोजित r-स्क्वेयर्ड प्राप्त करने के लिए अपना R-स्क्वेयर्ड (R2), नमूना आकार (n), प्रेडिक्टर्स की संख्या (p) दर्ज करें। सूत्र: round(1 - ((1 - r2) * (n - 1) / (n - p - 1)), 4).
समायोजित R-स्क्वेयर्ड
ऊपर के फ़ील्ड भरें और गणना करें पर क्लिक करें
तुलना ()
| फील्ड | |
|---|---|
| परिणाम |
सूत्र
चरण-दर-चरण
चर
हाल की गणनाएँ
यह कैसे काम करता है
यह कैसे काम करता है
यह कैलकुलेटर समायोजित R-स्क्वेयर्ड (Adjusted R²) की गणना करता है, जो यह मापता है कि प्रतिगमन मॉडल डेटा में भिन्नता को कितनी अच्छी तरह समझाता है, साथ ही उपयोग किए गए प्रेडिक्टर्स की संख्या को ध्यान में रखता है। सामान्य R² के विपरीत, यह मॉडल की जटिलता के अनुसार समायोजन करता है।
यह सटीक सूत्र का उपयोग करता है: 1 - ((1 - R2) × (n - 1) / (n - p - 1)). यह समायोजन केवल अधिक चर जोड़ने के कारण मॉडल को बेहतर दिखने से रोकता है।
- R² दिखाता है कि मॉडल कितनी भिन्नता समझाता है (0 और 1 के बीच)
- n आपके डेटा सेट में कुल प्रेक्षणों की संख्या है
- p प्रेडिक्टर्स (स्वतंत्र चरों) की संख्या है
- सूत्र बहुत अधिक प्रेडिक्टर्स जोड़ने पर दंड लगाता है
- परिणाम को 4 दशमलव स्थान तक पूर्णांकित किया जाता है
परिणामों को समझना
समायोजित R² मान बताता है कि प्रेडिक्टर्स की संख्या को ध्यान में रखने के बाद आपका मॉडल डेटा को कितनी अच्छी तरह समझाता है। यह सामान्य R² की तुलना में मॉडल के प्रदर्शन का अधिक यथार्थवादी माप प्रदान करता है।
यदि आप ऐसे प्रेडिक्टर्स जोड़ते हैं जो मॉडल में सार्थक सुधार नहीं करते, तो समायोजित R² समान रह सकता है या घट भी सकता है।
- 1 के निकट मान बेहतर मॉडल फिट दर्शाते हैं
- उच्च समायोजित R² अधिक मजबूत व्याख्यात्मक क्षमता दर्शाता है
- अनावश्यक प्रेडिक्टर्स जोड़ने पर यह घट सकता है
- यह विभिन्न प्रेडिक्टर्स संख्या वाले मॉडलों की तुलना के लिए उपयोगी है
अक्सर पूछे जाने वाले प्रश्न
समायोजित R-स्क्वेयर्ड क्या है और यह सामान्य R-स्क्वेयर्ड से कैसे अलग है?
समायोजित R-स्क्वेयर्ड, R² का संशोधित रूप है जो प्रतिगमन मॉडल में प्रेडिक्टर्स की संख्या को ध्यान में रखता है। जहाँ R² अधिक चर जोड़ने पर हमेशा बढ़ता है, वहीं समायोजित R² केवल तभी बढ़ता है जब नए प्रेडिक्टर्स मॉडल को संयोग से अपेक्षित स्तर से अधिक सुधारते हैं। इससे विभिन्न प्रेडिक्टर्स वाले मॉडलों की तुलना अधिक विश्वसनीय बनती है।
मुझे समायोजित R-स्क्वेयर्ड कैलकुलेटर का उपयोग कब करना चाहिए?
जब आप एक से अधिक स्वतंत्र चर वाले बहु-प्रतिगमन मॉडल के प्रदर्शन का मूल्यांकन कर रहे हों, तब इस कैलकुलेटर का उपयोग करें। यह विशेष रूप से अलग-अलग प्रेडिक्टर्स की संख्या वाले मॉडलों की तुलना करते समय उपयोगी है। समायोजित R² यह निर्धारित करने में मदद करता है कि क्या चर जोड़ने से वास्तव में मॉडल की व्याख्यात्मक क्षमता में सुधार होता है।
R-squared (R2) के लिए मुझे कौन से मान दर्ज करने चाहिए?
R² का मान 0 और 1 के बीच दशमलव रूप में दर्ज करें। उदाहरण के लिए, यदि आपके प्रतिगमन परिणाम में R² 85% है, तो आपको 0.85 दर्ज करना चाहिए। प्रतिशत या 0 से 1 की सीमा के बाहर के मान दर्ज न करें।
प्रेडिक्टर्स (p) की संख्या में क्या शामिल होता है?
प्रेडिक्टर्स (p) की संख्या आपके प्रतिगमन मॉडल में कुल स्वतंत्र चरों को दर्शाती है। इसमें इंटरसेप्ट (स्थिर पद) को शामिल न करें। उदाहरण के लिए, यदि आपके मॉडल में तीन स्वतंत्र चर हैं, तो 3 दर्ज करें।
समायोजित R-स्क्वेयर्ड की गणना में नमूना आकार (n) क्यों महत्वपूर्ण है?
नमूना आकार यह निर्धारित करता है कि अतिरिक्त प्रेडिक्टर्स पर समायोजन कितना दंड लगाता है। छोटे नमूना आकार के साथ, बहुत अधिक प्रेडिक्टर्स जोड़ने से समायोजित R² काफी कम हो सकता है। बड़े नमूना आकार इस दंड को कम करते हैं, जिससे यह माप अधिक स्थिर और विश्वसनीय बनता है।
क्या समायोजित R-स्क्वेयर्ड नकारात्मक हो सकता है?
हाँ, यदि मॉडल डेटा पर बहुत खराब फिट बैठता है या नमूना आकार की तुलना में बहुत अधिक प्रेडिक्टर्स शामिल किए गए हैं, तो समायोजित R-स्क्वेयर्ड नकारात्मक हो सकता है। नकारात्मक मान दर्शाता है कि मॉडल एक साधारण औसत-आधारित मॉडल से भी खराब प्रदर्शन कर रहा है। यह संकेत देता है कि प्रेडिक्टर्स आश्रित चर में भिन्नता को सार्थक रूप से नहीं समझा रहे हैं।
अस्वीकरण
यह कैलकुलेटर केवल सूचनात्मक उद्देश्यों के लिए अनुमान प्रदान करता है। यह पेशेवर सलाह नहीं है। अस्वीकरण.