Was ist der Unterschied zwischen und Varianz-Score beim Scikit-Lernen?

Ich war in dem Python über Regressions Metriken Lese Scikit-Learn Handbuch und obwohl jeder von ihnen seine eigenen Formel hat, kann ich nicht intuitiv sagen , was ist der Unterschied zwischen und Varianz - Score und daher , wenn der eine oder andere zu verwenden , um zu bewerten meine Modelle.$R^2$

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

2. $\text{explained variance score} = 1 - \mathrm{Var}[\hat{y} - y]\, /\, \mathrm{Var}[y]$ , wobei die eine voreingenommene Varianz ist, d. h . Im Vergleich zu besteht der einzige Unterschied vom Mittelwert (Fehler). wenn Mittelwert (Fehler) = 0, dann ist = erklärter Varianzwert$\mathrm{Var}$$\mathrm{Var}[\hat{y} - y] = sum(error^2 - mean(error))\,/\,n$$R^2$$R^2$

3. Beachten Sie auch, dass in Adjusted- unverzerrte Varianzschätzung verwendet wird.$R^2$

Deans Antwort ist richtig.

Nur ich denke, dass es hier einen kleinen Tippfehler gibt: .$Var[\hat{y}-y]=sum(error^2-mean(error))/n$

Ich denke, es sollte .$Var[\hat{y}-y]=sum(error-mean(error))^2/n$

Meine Referenz ist der Quellcode von sklearn hier: https://github.com/scikit-learn/scikit-learn/blob/bf24c7e3d/sklearn/metrics/_regression.py#L396