什么是R2？
在回归模型中，因变量（y）总的方差（信息）可以被称作总平方和（Total sum of squares，TSS），它由两部分组成[1]：
1. 模型可以解释的那部分信息（Model sum of squares,MSS）
2. 模型解释不了的那部分信息，也称为error（Residual sum of squares,RSS）
R2指的是模型可以解释的那部分信息所占的百分比，即MSS/TSS。
如果R2越大，那该模型能解释的部分也就越多，模型当然就越佳。
上述的概念看上去枯燥，并不是那么有意思。
所以，小编接下来将会用图片呈现6个不同大小的R2，有助于了解不同R2到底“长”什么样，一定让你终身难忘~
首先载入所需R包：
#install.packages("correlation")#install.packages("ggplot2")#install.packages("patchwork")library(correlation) # 用于创建数据library(ggplot2)library(patchwork)
马上开始作图。
第一张图：R2 =0%
mydata_0 <- simulate_simpson(n = 500, r = 0, groups = 1)p1 <- ggplot(mydata_0, aes(V1, V2)) + geom_point(shape = 1, fill = "white", color = "firebrick1") + geom_smooth(method = "lm", se= FALSE, color = "firebrick1") + theme_minimal() + annotate("text", x= 3, y= -3, label = "R-squared: 0%") + labs(x= "", y= "") p1
第二张图：R2 = 10%
mydata_0.1<- simulate_simpson(n = 500, r = sqrt(0.1), groups = 1)p2 <- ggplot(mydata_0.1, aes(V1, V2)) + geom_point(shape = 1, fill = "white", color = "deepskyblue3") + geom_smooth(method = "lm", se= FALSE, color = "deepskyblue3") + theme_minimal() + annotate("text", x= 3, y= -3, label = "R-squared: 10%") + labs(x= "", y= "") p2
第三张图：R2 = 50%
mydata_0.5<- simulate_simpson(n = 500, r = sqrt(0.5), groups = 1)p3 <- ggplot(mydata_0.5, aes(V1, V2)) + geom_point(shape = 1, fill = "white", color = "goldenrod1") + geom_smooth(method = "lm", se= FALSE, color = "goldenrod1") + theme_minimal() + annotate("text", x= 3, y= -3, label = "R-squared: 50%") + labs(x= "", y= "") p3
第四张图：R2 = 70%
mydata_0.7<- simulate_simpson(n = 500, r = sqrt(0.7), groups = 1)p4 <- ggplot(mydata_0.7, aes(V1, V2)) + geom_point(shape = 1, fill = "white", color = "mediumpurple1") + geom_smooth(method = "lm", se= FALSE, color = "mediumpurple1") + theme_minimal() + annotate("text", x= 3, y= -3, label = "R-squared: 70%") + labs(x= "", y= "") p4
第五张图：R2 = 90%
mydata_0.9<- simulate_simpson(n = 500, r = sqrt(0.9), groups = 1)p5 <- ggplot(mydata_0.9, aes(V1, V2)) + geom_point(shape = 1, fill = "white", color = "orange3") + geom_smooth(method = "lm", se= FALSE, color = "orange3") + theme_minimal() + annotate("text", x= 3, y= -3, label = "R-squared: 90%") + labs(x= "", y= "") p5
第六张图：R2 = 100%
mydata_1 <- simulate_simpson(n = 500, r = sqrt(1), groups = 1)p6 <- ggplot(mydata_1, aes(V1, V2)) + geom_point(shape = 1, fill = "white", color = "palegreen4") + geom_smooth(method = "lm", se= FALSE, color = "palegreen4") + theme_minimal() + annotate("text", x= 3, y= -3, label = "R-squared: 100%") + labs(x= "", y= "") p6
最后，将6张图片合并，然后点击收藏：
(p1 + p2 + p3) / (p4 + p5 + p6)
好啦，今天的内容就到这里。
如果有帮助，记得分享给需要的人！
参考文献
[1].TheElementsofStatisticalLearning
▌声明：本文由R语言和统计首发，如需转载请联系我们
▌编辑：June
▌我们的宗旨是：让R语言和统计变得简单！
往期精品(点击图片直达文字对应教程)
机器学习
后台回复“生信宝典福利第一波”或点击阅读原文获取教程合集
