回答：
これを見なさい。 Gaurav Bansalの功績によるものです。
説明：
私はこれを説明する最良の方法を考えようとしていました、そして、私は本当に素晴らしい仕事をしているページを見つけました。私はむしろこの男に説明の功績をあげたいと思います。リンクが機能しない場合に備えて、以下に情報を記載しました。
簡単に言うと： #R ^ 2# 値は単に相関係数の2乗です #R#.
の 相関係数 （ #R#) モデルの #バツ# そして #y#間の値をとる #-1# そして #1#。それはどのように説明します #バツ# そして #y# 相関しています。
- もし #バツ# そして #y# 完全に一致している場合、この値は正になります #1#
- もし #バツ# ながら増加 #y# 正反対の方法で減少すると、この値は #-1#
- #0# の間に相関関係がない状況であろう #バツ# そして #y#
しかし、これ #R# 値は単純な線形モデル（単に #バツ# そして #y#） 1つ以上の独立変数を検討したら（今、 #x_1#, #x_2#、…）、相関係数が何を意味するのか理解するのは非常に困難です。どの変数が相関に寄与しているかを追跡することはそれほど明確ではありません。
これはどこです #R ^ 2# 価値が発揮されます。それは単に相関係数の2乗です。それはの間の値を取ります #0# そして #1#に近い値 #1# より多くの相関を意味する（正または負の相関関係を問わず） #0# 相関がないことを意味します。それを考える別の方法は、すべての独立変数の結果である、従属変数の分数変動としてです。従属変数がそのすべての独立変数に大きく依存している場合、値はに近くなります。 #1#。そう #R ^ 2# それは多変量モデルを記述するためにも使用できるので、はるかに便利です。
2つの値の関連付けに関連するいくつかの数学的概念について議論したい場合は、これを参照してください。
