Jaka jest różnica między wynikiem

Czytałam o metryki regresji w pytona scikit-learn obsługi i choć każdy z nich ma swoją własną formułę, nie mogę powiedzieć intuicyjnie, jaka jest różnica między $R^2$ i wynik wariancji, a zatem kiedy używać jednego lub inny ocenić mój modele.

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

2. $\text{explained variance score} = 1 - \mathrm{Var}[\hat{y} - y]\, /\, \mathrm{Var}[y]$$\mathrm{Var}$$\mathrm{Var}[\hat{y} - y] = sum(error^2 - mean(error))\,/\,n$. W porównaniu z$R^2$, jedyną różnicą jest średnia (błąd). jeśli średnia (błąd) = 0, to$R^2$ = wyjaśniony wynik wariancji

3. Pamiętaj też, że w dostosowanym$R^2$stosowana jest obiektywna ocena wariancji.

Dean's answer is right.

Only I think there is a minor typo here: $Var[\hat{y}-y]=sum(error^2-mean(error))/n$.

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

Moje odniesienie to kod źródłowy sklearn tutaj: https://github.com/scikit-learn/scikit-learn/blob/bf24c7e3d/sklearn/metrics/_regression.py#L396