沈阳企业定制网站建设微商系统软件开发
在回归任务中，评估模型好坏的指标有很多，除了常见的 MAE（平均绝对误差）、MSE（均方误差）、RMSE（均方根误差）之外，R²（决定系数） 也是非常常见且直观的重要指标。
✅ 一、什么是 R²？
R²，又叫 决定系数（coefficient of determination），是衡量模型拟合优度的一个指标。通俗来讲，R² 表示模型解释了多少比例的目标变量方差：
R² 越接近 1，说明模型越好；
R² 等于 0，说明模型还不如直接用均值来预测；
R² 小于 0，表示模型效果很差，比“瞎猜”还糟糕。
🧠 二、R² 的数学公式
我们先来看它的数学定义：
其中：
：决定系数，衡量模型解释方差的能力
：第 i 个样本的真实值
：第 i 个样本的预测值
：真实值的均值
：残差平方和（Residual Sum of Squares），衡量预测误差
：总变差（Total Sum of Squares），衡量总波动
💻 三、Python手动实现 R²（不使用sklearn）
def r2_score_manual(y_true, y_pred):mean_y = sum(y_true) / len(y_true)ss_tot = sum((yt - mean_y) ** 2 for yt in y_true)ss_res = sum((yt - yp) ** 2 for yt, yp in zip(y_true, y_pred))return 1 - ss_res / ss_tot# 示例
y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]print("R² score:", r2_score_manual(y_true, y_pred)) # 输出接近 0.948
🔍 四、R² 与 MAE、MSE、RMSE 的区别和联系
| 指标 | 含义 | 单位 | 对异常值敏感 | 解释性 |
|---|---|---|---|---|
| MAE | 平均绝对误差 | 是 | 较低 | 每个误差权重相同 |
| MSE | 平均平方误差 | 是（平方单位） | 高 | 放大大误差 |
| RMSE | 均方根误差（MSE 开根号） | 是 | 高 | 与原始单位一致 |
| R² | 决定系数，模型拟合优度 | 无单位 | 较敏感 | 衡量解释能力强弱 |
✅ MAE：稳健，不惩罚大误差；
✅ MSE/RMSE：适合注重大误差的场景，如金融风险；
✅ R²：衡量模型“解释了多少方差”，是一个更宏观的评估标准。
🧩 五、总结
R² 是一个 相对指标，并非误差的绝对值，而是比较预测值与均值的差距；
在多个模型之间进行对比时，R² 是一个很直观的参考；
若配合 MAE / RMSE 使用，可以获得更全面的模型评估视角。