低R-squared（R2）值是否表示回归分析不适合？ [关闭]

Question

关闭。这个问题需要details or clarity。它当前不接受答案。

---

是否要改善此问题？通过editing this post添加详细信息并澄清问题。

[<3小时前关闭。

我尝试了两种不同的回归分析方法。

我对两种方法都使用相同的测试和训练数据。

1。方法1：

对总体进行简单线性回归。该模型的评估如下。

Mean absolute error: 24.14
Residual sum of squares (MSE): 1030.12
R2-score: 0.69

2。方法2：

我将火车数据拆分为train1，train2。我还将测试分别分为test1，test2。然后，我将线性回归分别应用于它们两者。这些模型的评估如下：

    Test 1 Result
    Mean absolute error: 16.73
    Residual sum of squares (MSE): 512.09
    R2-score: 0.08

    Test 2 Result
    Mean absolute error: 23.59
    Residual sum of squares (MSE): 1108.97
    R2-score: -0.40

因此，您可以看到MAE和MSE显着降低，但R2值也显着降低。哪种方法更好？为什么或为什么不呢？

Answer 1

MAE较低可能是由于数据点较少。 R2指标表示模型捕获测试数据方差的能力。因此，如果您进行的拆分使您的数据分布具有较低的方差，则该模型将适合数据点的平均值，而对方差不敏感。

第一种方法是训练模型的最常用方法。您还应该有一个额外的验证和测试集，以衡量模型的性能（或使用交叉验证）。

[一般来说，请记住，您拥有的数据越少，模型/度量的可靠性就越差（并非总是如此，但通常是这样）。