一元線性回歸方程的判定系數？

（1）計算殘差平方和Q=∑(y-y*)^2和∑y^2，其中，y代表的是實測值，y*代表的是預測值；

（2）擬合度指標RNew=1-(Q/∑y^2)^(1/2)

對線性方程：

R^2==∑(y預測-y)^2/==∑(y實際-y)^2，y是平均數。如果R2=0.775，則說明變量y的變異中有77.5％是由變量X引起的。當R2＝1時，表示所有的觀測點全部落在回歸直線上。當R2=0時，表示自變量與因變量無線性關系。

擬合優度是指回歸直線對觀測值的擬合程度。度量擬合優度的統計量是可決系數（亦稱確定系數）R^2。R^2的取值范圍是[0，1]。R^2的值越接近1，說明回歸直線對觀測值的擬合程度越好；反之，R^2的值越接近0，說明回歸直線對觀測值的擬合程度越差。

擴展資料

方法原理

主要是運用判定系數和回歸標準差，檢驗模型對樣本觀測值的擬合程度。當解釋變量為多元時，要使用調整的擬合優度，以解決變量元素增加對擬合優度的影響。

假定一個總體可分為r類，現從該總體獲得了一個樣本——這是一批分類數據，需要我們從這些分類數據中出發，去判斷總體各類出現的概率是否與已知的概率相符。

R2衡量的是回歸方程整體的擬合度，是表達因變量與所有自變量之間的總體關系。R2等于回歸平方和在總平方和中所占的比率，即回歸方程所能解釋的因變量變異性的百分比（在MATLAB中，R2=1-"回歸平方和在總平方和中所占的比率"）。

實際值與平均值的總誤差中，回歸誤差與剩余誤差是此消彼長的關系。因而回歸誤差從正面測定線性模型的擬合優度，剩余誤差則從反面來判定線性模型的擬合優度。