Python中怎样计算回归模型的R2和调整R2分数-Python教程-PHP中文网

sklearn.metrics.r2_score计算原始R²，公式为1-SS_res/SS_tot，不自动加截距，y_true与y_pred需等长且y_true不能全为常数；调整R²需手动计算，公式为1-(1-R²)(n-1)/(n-p-1)，注意截距项处理；statsmodels可直接获取完整统计量但需显式添加常数列。

python中怎样计算回归模型的r2和调整r2分数

用 `sklearn.metrics.r2_score` 计算原始 R²

直接调用 r2_score 是最常用方式，它计算的是决定系数（coefficient of determination），公式为 1 - SS_res / SS_tot。注意：它不自动加截距项，输入的预测值 y_pred 必须来自你已拟合好的模型（比如 LinearRegression().fit(X, y).predict(X)）。

常见错误是把未拟合模型的随机预测传进去，结果可能为负——R² 本身可以小于 0，说明模型比用均值预测还差。

y_true 和 y_pred 长度必须一致，否则抛 ValueError: Found array with dim 3. Expected 2 类似错误
如果 y_true 全是常数（方差为 0），r2_score 返回 -inf 或 nan，需提前检查

示例：

from sklearn.metrics import r2_score<br>y_true = [3, -0.5, 2, 7]<br>y_pred = [2.5, 0.0, 2, 8]<br>print(r2_score(y_true, y_pred))  # ≈ 0.948

手动计算调整 R²（`adjusted R²`）更可靠

sklearn 没有内置调整 R² 函数，但公式明确：1 - (1 - R²) * (n - 1) / (n - p - 1)，其中 n 是样本数，p 是特征数（不含截距）。关键点在于：必须知道模型是否显式包含截距项。

如果你用 LinearRegression(fit_intercept=True)（默认），就按上述公式；若 fit_intercept=False，分母要改成 n - p，否则会高估模型表现。

别依赖第三方封装函数（如某些 statsmodels 的快捷属性），它们对 intercept 处理逻辑可能不透明

推荐自己写一行计算，避免歧义：

n, p = X.shape<br>r2 = r2_score(y, y_pred)<br>adj_r2 = 1 - (1 - r2) * (n - 1) / (n - p - 1)

当 p 接近 n 时，调整 R² 会急剧下降，这是正常惩罚——不是 bug

用 `statsmodels` 一次拿到完整回归统计量

如果你需要标准误、p 值、F 统计量等配套指标，statsmodels.api.OLS 是更合适的选择。它默认带截距，且 .summary() 输出里 R-squared 和 Adj. R-squared 都直接给出，数值与手动计算一致。

python-flask-vue-creator

创建 Flask + Vue.js 全栈项目，采用单端口架构、uv 依赖管理、结构化日志和生产级前端设计。当用户要求以下操作时触发：创建新的 Flask+Vue 项目、搭建 Web 应用、构建全栈 Python+Vue 应用、初始化 Flask Web 项目、设置单端口 Flask 前后端项目。触发词：新建项目、创建项目、搭建项目、Flask项目、Vue项目。

下载

注意：statsmodels 要求显式添加常数列，否则会忽略截距——哪怕你心里认为“应该有”，代码不会猜。