回归算法中r2多少算拟合数据好

㈠ r2为多少时可以认为拟合的好

R²的值越接近1，说明回归直线对观测值的拟合程度越好。

拟合优度为指回归直线对观测值的拟合程度。度量拟合优度的统计量是可决系数R²。R²最大值为1。R²的值越接近1，说明回归直线对观测值的拟合程度越好；反之，R²的值越小，说明回归直线对观测值的拟合程度越差。

R²等于回归平方和在总平方和中所占的比率，即回归方程所能解释的因变量变异性的百分比（在MATLAB中，R²=1-"回归平方和在总平方和中所占的比率"）。实际值与平均值的总误差中，回归误差与剩余误差是此消彼长的关系。

模型的拟合度

模型的拟合度是用R和R方来表示的，一般大于0.4就可以了；自变量的显著性是根据各个自变量系数后面的Sig值判断的，如果小于0.05可以说在95%的显著性水平下显著，小于0.01就可以说在99%的显著性水平下显著了。如果没有给出系数表，是看不到显著性如何的。

回归分析(regression analysis)是研究一个变量（被解释变量）关于另一个（些）变量（解释变量）的具体依赖关系的计算方法和理论。

以上内容参考：网络-拟合优度

㈡ r方一般多少说明拟合的好

r方一般0.999说明拟合的好。

在工程设计或科学实验中所得到的数据往往是一张关于离散数据点的表 ，没有解析式来描述 x-y关系。根据所给定的这些离散数据点绘制的曲线，称为不规则曲线，通常用曲线拟合的方法解决这类问题。

拟合优度：

R^2衡量的是回归方程整体的拟合度，是表达因变量与所有自变量之间的总体关系。R^2等于回归平方和在总平方和中所占的比率，即回归方程所能解释的因变量变异性的百分比。

实际值与平均值的总误差中，回归误差与剩余误差是此消彼长的关系。因而回归误差从正面测定线性模型的拟合优度，剩余误差则从反面来判定线性模型的拟合优度。

统计上定义剩余误差除以自由度n – 2所得之商的平方根为估计标准误。为回归模型拟合优度的判断和评价指标，估计标准误显然不如判定系数R^2。

R^2是无量纲系数，有确定的取值范围(0—1)，便于对不同资料回归模型拟合优度进行比较；而估计标准误差是有计量单位的，又没有确定的取值范围，不便于对不同资料回归模型拟合优度进行比较。

㈢ 回归r2要达到多少是显著的

回归r2要达到0.9是显著的。

模型的拟合度是用R和R方来表示的，一般大于0.4就可以了；自变量的显著性是根据各个自变量系数后面的Sig值判断的，如果小于0.05可以说在95%的显著性水平下显著，小于0.01就可以说在99%的显著性水平下显著了。如果没有给出系数表，是看不到显著性如何的。

随机误差的均值

为0，方差为σ^2（σ^2﹥0，σ^2与X的值无关）。若进一步假定随机误差遵从正态分布，就叫做正态线性模型。一般的，若有k个自变量和1个因变量，则因变量的值分为两部分：一部分由自变量影响，即表示为它的函数，函数形式已知且含有未知参数；另一部分由其他的未考虑因素和随机性影响，即随机误差。

㈣ 响应面回归分析r2最小多少可以接受

一般0.3就能接受了。但是也不是0.1就不行。统计数据就是这样的，回归r2要达到0.9是显著的。模型的拟合度是用R和R方来表示的，一般大于0.4年3月31日
最佳回答：如下表，指数曲线的R2为0.9926，最接近1表明在5个回归方程中

㈤ 线性回归拟合优度为多少比较合适

R²的值越接近1，说明回归直线对观测值的拟合程度越好。

拟合优度为指回归直线对观测值的拟合程度。度量拟合优度的统计量是可决系数R²。R²最大值为1。R²的值越接近1，说明回归直线对观测值的拟合程度越好；反之，R²的值越小，说明回归直线对观测值的拟合程度越差。

R²等于回归平方和在总平方和中所占的比率，即回归方程所能解释的因变量变异性的百分比（在MATLAB中，R²=1-"回归平方和在总平方和中所占的比率"）。实际值与平均值的总误差中，回归误差与剩余误差是此消彼长的关系。

(5)回归算法中r2多少算拟合数据好扩展阅读：

线性回归拟合优度的运用：

1、假定一个总体可分为r类，现从该总体获得了一个样本——这是一批分类数据，需要我们从这些分类数据中出发，去判断总体各类出现的概率是否与已知的概率相符。

2、进行了一元概率分布EDF型检验的功效模拟，将修正AD检验统计量应用于线性回归模型误差分布正态性检验。

3、拟合优度为一个统计术语，衡量金融模型的预期值和现实所得的实际值的差距。它是一种统计方法应用于金融等领域，基于所得观测值的基础上作出的预测。

㈥ stata中r2多少合适

stata中r2越接近1越合适。
1.R2是最常用于评价回归模型优劣程度的指标，R2越接近于1所拟合的回归方程越优。
2.指数曲线的R2为0.9926，最接近1表明在5个回归方程中，指数曲线（log(y)=1.9656-0.2199x为最优方程。Stata 是一套提供其使用者数据分析、数据管理以及绘制专业图表的完整及整合性统计软件。它拥有很多功能，包含线性混合模型、均衡重复反复及多项式普罗比模式。

㈦ 线性拟合r2几个9比较好

3个9比较好。
标准曲线的R值是3个9是基本要求，两个绝对不可以，否则测定结果的偏差会非常大。问题在于操作不规范，否则是很容易获得0.999的。当根据试验数据进行曲线拟合时，试验数据与拟合函数之间的吻合程度，用一个与相关系数有关的一个量‘R平方’来评价，R^2值越接近1，吻合程度越高，越接近0，则吻合程度越低。R平方值可以计算。标准曲线的横坐标(X)表示可以精确测量的变量(如标准溶液的浓度)，称为普通变量，纵坐标(Y)表示仪器的响应值(也称测量值，如吸光度、电极电位等)，称为随机变量。当X取值为X1,X2,??Xn时，仪器测得的Y值分别为Y1,Y2,??Yn。将这些测量点Xi,Yi描绘在坐标系中，用直尺绘出一条表示X与Y之间的直线线性关系，这就是常用的标准曲线法。拟合优度为指回归直线对观测值的拟合程度。度量拟合优度的统计量是可决系数R_。R_最大值为1。R_的值越接近1，说明回归直线对观测值的拟合程度越好；反之，R_的值越小，说明回归直线对观测值的拟合程度越差。R_等于回归平方和在总平方和中所占的比率，即回归方程所能解释的因变量变异性的百分比（在MATLAB中，R_=1-"回归平方和在总平方和中所占的比率"）。实际值与平均值的总误差中，回归误差与剩余误差是此消彼长的关系。模型的拟合度是用R和R方来表示的，一般大于0.4就可以了；自变量的显著性是根据各个自变量系数后面的Sig值判断的，如果小于0.05可以说在95%的显著性水平下显著，小于0.01就可以说在99%的显著性水平下显著了。如果没有给出系数表，是看不到显著性如何的。回归分析(regressionanalysis)是研究一个变量（被解释变量）关于另一个（些）变量（解释变量）的具体依赖关系的计算方法和理论。

㈧ r平方为多少拟合较好

值越接近1就好。

拟合优度是指回归直线对观测值的拟合程度。度量拟合优度的统计量是可决系数（亦称确定系数）R²。R²最大值为1。R²的值越接近1，说明回归直线对观测值的拟合程度越好；反之，R²的值越小，说明回归直线对观测值的拟合程度越差。

R²衡量的是回归方程整体的拟合度，是表达因变量与所有自变量之间的总体关系。R²等于回归平方和在总平方和中所占的比率，即回归方程所能解释的因变量变异性的百分比（在MATLAB中，R²=1-"回归平方和在总平方和中所占的比率"）。

实际值与平均值的总误差中，回归误差与剩余误差是此消彼长的关系。因而回归误差从正面测定线性模型的拟合优度，剩余误差则从反面来判定线性模型的拟合优度。

拟合优度检验：

R平方越高，模型越适合您的数据。 在心理调查或研究中，我们通常发现低R平方值低于0.5。 这是因为我们试图预测人类行为，预测人类并不容易。

在这些情况下，如果R平方值很低，但有统计学上显着的独立变量（又称预测变量），仍然可以生成关于预测变量值中的变化如何与响应值变化相关联的见解。

当水平线比您的模型更好地解释数据时。 它主要发生在不包括截距的情况下。 没有截距，在预测目标变量方面，回归可能会比样本均值差。 这不仅是因为没有截距。 即使包含截距，它也可能是负的。在数学上，当模型的误差平方大于水平线上的总平方和时，这是可能的。

㈨ r2为多少时可以认为拟合的好

0.8左右。

从拟合度的角度来说，拟合优度R²到达0.8以上就可以说拟合效果不错了。R²的值越接近1，说明回归曲线对观测值的拟合程度越好；反之，R²的值越小，说明回归曲线对观测值的拟合程度越差。

拟合度的特点分析：

R2值一般为[0-1]之间的值，越靠近1说明拟合的越好。时常发生R2大于1的情况，这不是说明自己的模型一定不对，R2是用于线性回归模型的拟合优度计算，用线性回归的R2公式计算非线性回归模型的拟合情况可能会出现R2大于1的情况。R是指反应变量之间相关关系密切程度的统计指标。依据相关现象之间的不同特征，其统计指标的名称有所不同。

㈩ r2为多少时可以认为拟合的好

原则上RSquare值越高（越接近1），拟合性越好，自变量对因变量的解释越充分。但最重要的是看sig值，小于0.05，达到显著水平才有意义。可以看回你spss的结果，对应regression的sig值如果是小于0.05的，就可以了。

简介：

如果待定函数是线性，就叫线性拟合或者线性回归(主要在统计中)，否则叫作非线性拟合或者非线性回归。表达式也可以是分段函数，这种情况下叫作样条拟合。

一组观测结果的数字统计与相应数值组的吻合。形象的说,拟合就是把平面上一系列的点，用一条光滑的曲线连接起来。因为这条曲线有无数种可能，从而有各种拟合方法。拟合的曲线一般可以用函数表示，根据这个函数的不同有不同的拟合名字。

在MATLAB中可以用polyfit 来拟合多项式。

拟合以及插值还有逼近是数值分析的三大基础工具，通俗意义上它们的区别在于：拟合是已知点列，从整体上靠近它们；插值是已知点列并且完全经过点列；逼近是已知曲线，或者点列，通过逼近使得构造的函数无限靠近它们。