Das Akaike-Informationskriterium (AIC) ist eine Metrik, die verwendet wird, um die Anpassung verschiedener Regressionsmodelle zu vergleichen.
Es wird berechnet als:
AIC = 2K – 2ln (L)
wo:
- K: Die Anzahl der Modellparameter …
Ein standardisiertes Residuum ist ein Residuum, das durch seine Standardabweichung geteilt wurde. Es wird berechnet als:
r i = e i / RSE√ 1-h ii
wo:
- e i: Das i-te Residuum
- RSE: Der Standardfehler der Residuen des Modells (engl. residual standard error)
- h ii: Die Hebelwirkung der i-ten Beobachtung
Dieser Rechner findet die standardisierten Residuen für jede Beobachtung in einem einfachen linearen Regressionsmodell.
Geben Sie einfach eine Liste mit Werten für eine Prädiktorvariable und eine Antwortvariable in die folgenden Felder ein und klicken Sie auf die Schaltfläche "Berechnen":
Lineare Regressionsgleichung
ŷ = 29.6309 + (0.7553)*x
Liste der standardisierten Residuen
-0.143
-3.104
1.896
-0.064
1.975
-0.906
1.133
-0.787
Das könnte Sie auch interessieren:
So berechnen Sie AIC von Regressionsmodellen in Python
So berechnen Sie die AUC (Fläche unter der Kurve) in Python
Die logistische Regression ist eine statistische Methode, die wir verwenden, um ein Regressionsmodell anzupassen, wenn die Antwortvariable binär ist.
Um zu beurteilen, wie gut ein logistisches Regressionsmodell zu einem Datensatz …