Чим відрізняється

Я читав про регресійні метрики в посібнику з python scikit-learn, і хоча кожен з них має власну формулу, я не можу інтуїтивно сказати, у чому різниця між $R^2$ та шкалою дисперсії, а отже, коли використовувати те чи інше для оцінки мого моделей.

1. $R^2 = 1- \frac{SSE}{TSS}$

2. $\text{explained variance score} = 1 - \mathrm{Var}[\hat{y} - y]\, /\, \mathrm{Var}[y]$ , де$\mathrm{Var}$ зміщена дисперсію, тобто$\mathrm{Var}[\hat{y} - y] = sum(error^2 - mean(error))\,/\,n$ . У порівнянні з$R^2$ , єдина відмінність - від середнього значення (помилки). якщо середнє значення (помилка) = 0, то$R^2$ = пояснена оцінка дисперсії

3. Також відзначимо , що в adjusted- $R^2$ , використовується оцінка несмещенной дисперсії.

Відповідь Діна правильна.

$Var[\hat{y}-y]=sum(error^2-mean(error))/n$

$Var[\hat{y}-y]=sum(error-mean(error))^2/n$

Мій посилання - вихідний код sklearn тут: https://github.com/scikit-learn/scikit-learn/blob/bf24c7e3d/sklearn/metrics/_regression.py#L396