38 Python 数据挖掘番外篇：一文读懂 R²（决定系数）：别再死记公式了，它其实就是“你的模型比瞎猜强多少”

一文读懂 R²决定系数别再死记公式了它其实就是“你的模型比瞎猜强多少”做 Python 数据分析、线性回归的时候很多人都会碰到一个指标R²决定系数第一次看到这个东西很多人的反应都差不多公式看着头大“决定系数”这名字听着就不想靠近再加上什么“可解释性”“方差占比”“拟合优度”一通输出直接让人进入“我是不是不适合学回归”的状态我一开始也是这样。后来发现R² 这个东西真正难的不是它本身而是很多资料讲得太像考试题。其实如果换个思路它一点都不玄学。你完全可以把它理解成一句特别接地气的话R² 就是用来判断你的回归模型到底比“瞎猜”强多少。没错就是这么朴素。今天这篇文章我不跟你堆公式也不跟你讲一堆听起来很专业、但初学者容易发呆的定义。我们就用最土、最容易记住的方法把 R² 彻底讲明白。一、先记住一个核心R²的参照物其实是“摆烂式预测”我们做回归预测本质上是想找规律。比如用学习时长预测考试成绩用房屋面积预测房价用广告投入预测销售额但问题来了——如果你压根找不到规律那最笨、最稳、最“摆烂”的预测方式是什么答案特别简单不管来什么样本我都猜平均值。比如预测学生成绩不知道他学了多久、基础咋样那就直接猜全班平均分预测房价不知道面积、地段、朝向那就直接猜全市平均房价这种预测方法有一个特点不聪明不高级不需要建模型但至少不离谱它就是回归预测里的“最低保底线”。所以你做出来的任何模型至少都应该比这个“平均值摆烂法”更强。如果连它都比不过那这个模型基本可以直接宣布你先别预测了先冷静一下。而 R² 做的事情其实就是衡量你的模型比这个“摆烂预测”到底强了多少。所以你可以先把 R² 记成一句非常朴素的话R² 你的模型比瞎猜平均值多解释了多少数据规律二、为什么很多人一看到 R² 就晕因为很多时候它是被这样介绍的决定系数反映模型对因变量变异的解释比例衡量拟合优度取值范围通常在 0 到 1 之间这些说法当然不能说错。但问题是对初学者不够友好。尤其“解释比例”“变异程度”这种词容易让人越看越像在上统计学理论课。其实你完全可以换一种说法R² 看的是数据本来有多乱你的模型帮你解释掉了多少乱。这个说法虽然不够学术但特别容易懂。三、用一个极简例子看懂 R² 到底在算什么不整复杂数据就用 3 个学生的成绩直接看。真实成绩y1 分2 分3 分这时候全班平均分是多少[\frac{123}{3}2]也就是说如果你完全不建模型最摆烂的预测方式就是所有学生我都猜 2 分。这就是我们前面说的“摆烂预测”。接下来我们看不同模型下R² 会怎么变。四、情况 1R² 1说明模型强到离谱假设你建了一个完美模型预测结果是1 分2 分3 分也就是和真实成绩一模一样。这意味着什么意味着原来瞎猜平均值会出错但你的模型一个都没猜错所有数据里的规律全被你找出来了这时候R² 1。翻译成人话就是你的模型完美解释了数据里的变化比摆烂预测强 100%。这属于“梦中情模”。五、情况 2R² 0.5说明模型有点东西但还不够强假设你的模型预测成绩是1.5 分2 分2.5 分这说明什么说明这个模型不是完全瞎猜它比直接猜平均值更接近真实值。但它又没有准到“神仙下凡”的程度。它大概解释了一半的数据变化剩下一半还没搞明白。这时候R² 0.5。翻译成人话就是你的模型比瞎猜强但只强了一半说明它抓到了一部分规律还有不少没看懂。这种模型不算废但显然还有优化空间。六、情况 3R² 0说明你白忙活了现在假设你所谓的“模型”最后预测出来的结果还是2 分2 分2 分也就是说你虽然号称建了个模型但本质上干的事情和“直接猜平均值”一模一样。这时候会发生什么R² 0翻译成人话就是你的模型和摆烂预测没有任何区别。也就是说代码可能跑了图可能画了模型名字可能很高级但效果上和什么都没做差不多这就是 R² 0 的本质。七、情况 4R² 0说明你不如摆烂这是很多人第一次看到会懵的地方R² 怎么还能是负数当然可以。比如真实成绩还是1 分2 分3 分你非要预测成10 分20 分30 分那这已经不是“预测偏了”这已经是“离题万里”了。这种情况下你的模型误差比“直接猜平均值”还要大得多。也就是说你建的模型还不如摆烂。这时候R² 就会变成负数。翻译成人话就是别折腾了这个模型比直接猜平均值还差建议立刻返工。所以负的 R² 不是什么神秘现象它只是在提醒你你的模型已经烂得突破下限了。八、所以 R² 到底有什么用看到这里你会发现R² 最有价值的地方不是“它能算出一个数字”而是它能快速告诉你这个模型到底有没有用。比如你做一个回归任务搞了两个模型模型 AR² 0.8这说明模型解释了 80% 的数据变化它对结果已经有比较强的说明能力这个模型整体上是靠谱的模型 BR² 0.2这说明模型只解释了 20% 的变化大部分规律它还没抓住这个模型虽然不是完全没用但实在不算强所以 R² 的真正价值在于它让你不用死盯误差数字也能快速判断模型有没有“抓住规律”。九、为什么说 R² 有“可解释性”很多人看到“R² 有可解释性”这句话会犯迷糊。其实它的意思一点都不玄。它的“可解释性”不是说模型会说人话指标长得漂亮看起来很高级而是说R² 这个数值本身特别容易翻译成一句有意义的人话。比如R² 0.8→ 模型解释了 80% 的变化R² 0.3→ 模型只解释了 30% 的变化R² 0→ 模型和瞎猜没区别R² 0→ 模型比瞎猜还差你会发现这个指标特别适合拿来回答一个很直接的问题我的模型到底有没有学到东西这就是它“可解释”的地方。十、R² 和 MAE、RMSE 的区别到底在哪这个地方也值得顺手提一下。前面如果你学过回归指标可能见过MAEMSERMSE这些指标更多是在看模型平均错了多少。而 R² 看的是模型到底解释了多少规律。所以你可以简单记成MAE / RMSE看“错多少”R²看“有没有用”一个更关注误差大小一个更关注模型相对“摆烂预测”强了多少。十一、初学者记 R²真的不用背公式记这 5 句就够了如果你不想再被定义绕晕那直接记下面这 5 句1R² 的参照物是“猜平均值”不建模型时最摆烂的预测方式就是猜平均值。2R² 1说明模型完美预测解释了 100% 的变化。30 R² 1说明模型比瞎猜强数值越大越好。4R² 0说明模型和瞎猜平均值没区别。5R² 0说明模型比瞎猜还差建议返工。如果把这 5 句记住R² 基本就不会再看不懂了。十二、最后说句实在的R²没你想的那么可怕很多初学者怕 R²不是因为它真的有多复杂而是因为一开始就被公式和定义劝退了。但只要换个角度去理解它其实特别朴素R² 就是看你的模型比“瞎猜平均值”到底强多少。以后你再看到回归模型输出一个 R²如果接近 1说明模型还不错如果接近 0说明模型没学到什么如果是负数说明这个模型已经开始离谱了对初学阶段来说这个理解已经完全够用。真没必要一开始就把自己扔进统计学术语堆里。写在最后如果你之前一直觉得 R² 很抽象那希望这篇文章能帮你把它彻底拉回“人话世界”。说到底它不是什么高深莫测的神秘指标它只是很诚实地告诉你一件事你这个模型到底比瞎猜强多少。如果连这件事都没做到那模型再复杂、代码再长、名字再花哨也没什么意义。所以学回归、看 R²别先怕公式。先问自己一句我这个模型真的比摆烂强吗这就是 R² 最想回答的问题。