Qual é a diferença entre

Eu estava lendo sobre métricas de regressão no python scikit-learn o manual e mesmo que cada um deles tem sua própria fórmula, eu não posso dizer intuitivamente o que é a diferença entre $R^2$ e pontuação variância e, portanto, quando usar um ou outro para avaliar o meu modelos.

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

2. $\text{explained variance score} = 1 - \mathrm{Var}[\hat{y} - y]\, /\, \mathrm{Var}[y]$ , em que a$\mathrm{Var}$ é polarizado variância, ou seja,$\mathrm{Var}[\hat{y} - y] = sum(error^2 - mean(error))\,/\,n$ . Comparado com$R^2$ , a única diferença é a partir da média (erro). se média (erro) = 0, então$R^2$ = pontuação da variância explicada

3. Observe também que em adjusted- $R^2$ , estimativa de variância imparcial é usado.

A resposta de Dean está certa.

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

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

Minha referência é o código fonte do sklearn aqui: https://github.com/scikit-learn/scikit-learn/blob/bf24c7e3d/sklearn/metrics/_regression.py#L396