---
title: "判定係數（R-squared）"
slug: r-squared
language: zh-TW
source: https://aiterms.tw/terms/r-squared
updated_at: 2026-04-29
tags: [模型評估, 統計方法]
ipas_term: false
---

# 判定係數（R-squared）

> **你看迴歸模型的結果時，會不會很想知道它到底解釋了多少變化？**
>
> 你可以把 R-squared 想成模型的解釋力分數，分數越高，代表它越能抓住目標變數的起伏。
> 它不是在看「錯多少」，而是在看「看懂多少」。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **R-squared vs 均方誤差**
> 均方誤差看的是預測錯多遠。
> R-squared 看的是模型解釋了多少變化。
> 最關鍵的區別：一個看誤差大小，一個看解釋比例。
>
> **R-squared vs 均方根誤差**
> 均方根誤差和原始單位相同，容易直觀感受偏差大小。
> R-squared 是比例值，方便看整體解釋能力。
> 最關鍵的區別：一個看距離，一個看比例。
>
> **R-squared vs 相關係數**
> 相關係數看兩個變數是否一起升降。
> R-squared 看模型對目標變數的解釋程度。
> 最關鍵的區別：一個看關聯，一個看模型表現。

### 記住這句就好
> 分數高不代表全對，只代表解釋得比較多。

### 實際案例
> **廣告投放分析**
> 你用廣告費用預測銷售額，R-squared 高，表示廣告費用對銷售波動有一定解釋力。
> 但它不保證每筆預測都很準。
>
> **房價模型**
> 房價模型的 R-squared 若偏低，可能代表還有很多重要變數沒放進去，例如地段、屋齡或樓層。
> 這時候要先想特徵，而不是只盯著分數。

### 算法與應用
> R-squared 常由總變異和殘差變異的比例推得，簡單看就是模型把多少波動吃掉了。
> 它適合比較同一資料集上的迴歸模型，但不適合單獨拿來判斷一切。
> 如果模型太複雜，R-squared 可能很高，但也可能只是把訓練資料記太熟。

### 情境判斷
> **Q1（直覺題）：** 你想知道迴歸模型有沒有抓到目標變數的大方向，該看什麼？
>
> → 看 R-squared，因為它反映的是模型解釋變化的能力。
>
> **Q2（判斷題）：** 如果 R-squared 很高，模型就一定值得上線嗎？
>
> → 不一定，還要看誤差大小、資料外推表現和是否過擬合。

### 常見問題
> **Q：R-squared 一定在 0 到 1 之間嗎？**
> 常見情況是如此，但某些模型或特殊定義下也可能出現負值。
>
> **Q：R-squared 越高越好嗎？**
> 通常越高代表解釋力越強，但也要一起看驗證集表現，避免只是在訓練集上過度擬合。
>
> **Q：它可以拿來比不同資料集嗎？**
> 不太適合，因為不同資料集的變異程度不同，分數不一定有同樣意義。

### 相關術語
> - **均方誤差**：先看這個，你會更清楚 R-squared 和「錯多少」的差別。
> - **均方根誤差**：它更容易對應原始單位，和 R-squared 很常一起看。
> - **偏差**：如果模型總是差很多，常要回頭看偏差來源。
> - **過擬合**：R-squared 高不代表沒過擬合。
> - **欠擬合**：如果分數很低，也可能代表模型太簡單。

---

來源：https://aiterms.tw/terms/r-squared
快查頁：https://aiterms.tw/terms/r-squared
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-r-squared