Solo agregaré la cuestión estándar: si quieres una buena respuesta, entonces probablemente deberías especificar un ejemplo o una descripción más detallada de tu problema. Tal como está ahora, voy a tener que adivinar lo que buscas, así que aquí va …
Depende de lo que desee hacer con su análisis: si está contento de describir algo inherente a su estructura de datos, entonces siga adelante y use R2. Pero debe darse cuenta de que no le da ninguna indicación sobre el rendimiento predictivo para nuevas muestras / observaciones.
Lo recomendaría como el estándar más bajo aceptable para al menos trabajar con algún esquema de validación cruzada e informar Q2 también (y también ser bastante específico con lo que quiere decir con validación cruzada, ya que puede validar prácticamente cualquier cosa).
- ¿Por qué Noam Chomsky es tan pesimista sobre el progreso en Inteligencia Artificial?
- ¿Cuál es la diferencia entre el aprendizaje profundo y el aprendizaje automático habitual?
- Quiero aprender IA desde lo básico, ¿qué requisitos previos necesito en términos de lenguajes de programación?
- ¿Cuál es el progreso en descifrar patrones neuronales de multipoblación?
- Cómo conectar un chatbot (construido en BotFramework o api.ai) a un servicio web en AWS
Incluso en situaciones en las que solo desea describir algo inherente a su estructura de datos, la validación cruzada sería útil ya que la relación R2-Q2 le dirá algo sobre el grado de sobreajuste y descubrimientos falsos positivos.
Si luego comienza a tomarse en serio la validación, le recomiendo que 1) comience a analizar la validación cruzada anidada (por ejemplo, doble validación cruzada repetida) y 2) comience a realizar análisis de permutación, ya que eso cuantificará el rendimiento del modelo y el grado general de sobreajuste utilizando su modelo / combinación de datos.
HTH MANO
Carl
