回归模型拟合效果的统计指标： 决定系数 R2 r2 r2_score

决定系数（Coefficient of Determination），通常用 $R^2$ 表示，是一种衡量回归模型拟合效果的统计量。它表示模型解释自变量和因变量之间变异程度的比例。决定系数的值在 $[0,1]$ 之间，值越接近 1，模型的拟合效果越好。

决定系数的计算公式：

$$R^2=1-\frac{\text{SSR}}{\text{SST}}$$

其中：

• SSR（残差平方和）：模型的预测值与真实值之间误差的平方和，即：
  $$\text{SSR}=\sum _{i=1}^n(y_i-{\hat{y}}_i{)}^2$$
  其中，$y_i$ 是实际值，${\hat{y}}_i$ 是预测值。

• SST（总平方和）：实际值与其平均值之间的差异的平方和，即：
  $$\text{SST}=\sum _{i=1}^n(y_i-\bar{y}{)}^2$$
  其中，$\bar{y}$ 是实际值的平均值。

决定系数的解释：

1. R² = 1：表示模型完美拟合数据，即所有实际值都被模型准确预测。
2. R² = 0：表示模型的预测效果与简单的平均值预测效果相同。即，模型没有解释因变量的变异。
3. R² < 0：当模型的预测值比平均值预测得更差时，$R^2$ 可以为负数，这表示模型没有任何解释能力。

决定系数的意义：

• 决定系数可以用来衡量模型对数据的解释力。较高的 $R^2$ 表明模型较好地解释了数据中的变异，但它不能直接说明模型是否是最优模型，或是否适合所有情况。
• $R^2$ 仅衡量线性关系的好坏，对于非线性回归模型，可能需要使用其他性能度量指标（如调整后的 $R^2$、AIC、BIC 等）。

示例：如何解释 $R^2$

假设在一个简单的线性回归中，$R^2=0.85$，这意味着模型可以解释 85% 的数据变异，而剩余的 15% 可能是由于其他未被模型捕捉的因素导致的误差。

总结来说，决定系数 $R^2$ 是用于评估回归模型性能的重要指标，特别是衡量模型对数据中变异的解释能力。