numpyを使用した制約で、損失最小化からr_squaredを取得するにはどうすればよいですか？

Question

制約付き損失最小化を使用してnumpyとscipyで回帰を実行しました。ここでの例は次のとおり

y_values我々は、係数のいくつかは、いくつかの入力重みを乗じたように、制約と、Y = Xcのを解決するX行列は

ある

x_matrix_trans値numObservations有するベクトルであります私の回帰がres.xで正しい値を生成するが、私はまたr_squaredとr_squared調整を計算するために必要な。

def constraint1(x): 
     res = 0 
     for i in range (0, NUM_WEIGHTS): 
      res = res + x[CONST_VAL + i] * weights[CONST_VAL + i] 
     return res 

    def loss(x): 
     return np.sum(np.square((np.dot(x, x_matrix_trans) - y_values))) 

    cons = ({'type': 'eq', 
      'fun' : constraint1}) 

    x0 = np.zeros(x_matrix_trans.shape[0])   
    res = minimize(loss, x0, method='SLSQP',constraints=cons, options={'disp': True, 'maxiter' : 1000, 'ftol' : 1e-07}) 
    print(res.x) 

0に合計しなければなりません私はr_squaredを計算しようとしましたが、それらは間違っていました。ここで

は私がr_squaredを計算しようとした方法です：

adjRsq = 0.0 
    if ((num_coefficients - num_observations - 1) != 0): 
     adjRsq = rsq - (1-rsq)*(num_coefficients - 1)/(num_observations -num_coefficients - 1) 

ありがとう：ここ

ymeas = y_values 
    yfit = np.dot(res.x, x_matrix_trans) 
    ss_res = np.sum((ymeas - yfit) ** 2) 
    ss_tot = np.var(ymeas) * len(ymeas) 
    rsq = 1 - ss_res/ss_tot 

は私が調整さr_squaredを計算しようとした方法です。

Answer 1

まあ、私の答えは正しいと思います。ウィキペディアによる

adjRsq = rsq - (1-rsq)*(num_coeff)/(num_observations-num_coeff-1) 

なく

adjRsq = rsq - (1-rsq)*(num_coeff - 1)/(num_observations-num_coeff-1)