Quelle est la différence entre et le score de variance dans Scikit-learn?

Je lisais sur les métriques de régression dans le manuel python scikit-learn et même si chacun d'eux a sa propre formule, je ne peux pas dire intuitivement quelle est la différence entre et le score de variance et donc quand utiliser l'un ou l'autre pour évaluer mes modèles.$R^2$

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

2. $\text{explained variance score} = 1 - \mathrm{Var}[\hat{y} - y]\, /\, \mathrm{Var}[y]$ , où est une variance biaisée, c'est-à-dire . Par rapport à , la seule différence vient de la moyenne (erreur). si moyenne (erreur) = 0, alors = score de variance expliqué$\mathrm{Var}$$\mathrm{Var}[\hat{y} - y] = sum(error^2 - mean(error))\,/\,n$$R^2$$R^2$

3. Notez également que dans ajusté , une estimation de variance non biaisée est utilisée.$R^2$

La réponse de Dean est juste.

Seulement je pense qu'il y a une faute de frappe mineure ici: .$Var[\hat{y}-y]=sum(error^2-mean(error))/n$

Je suppose que ce devrait être .$Var[\hat{y}-y]=sum(error-mean(error))^2/n$

Ma référence est le code source de sklearn ici: https://github.com/scikit-learn/scikit-learn/blob/bf24c7e3d/sklearn/metrics/_regression.py#L396