rsq的公式：从结构到定义
rsq的计算公式为： R² = 1 - (SS_res / SS_tot)这个公式的核心逻辑，围绕两个关键统计量展开——SS_tot总平方和与SS_res残差平方和。
SS_tot：数据的“总变异”
SS_tot = Σ(y_i - ȳ)² SS_tot代表所有实际数据点与数据均值的差异平方和。式中，y_i是第i个样本的实际值，ȳ是所有样本实际值的平均值。它衡量的是数据本身的总离散程度——不借助任何模型时，数据自然存在的波动范围。比如预测学生成绩时，SS_tot就是“所有实际分数与平均分数的差异总和”，反映了成绩本身的参差不齐。SS_res：模型“未释的变异”
SS_res = Σ(y_i - ŷ_i)² SS_res是残差的平方和。残差y_i - ŷ_i指实际值与模型预测值的差距，SS_res则是这些差距的平方累加。它代表模型法释的变异——即模型没捕捉到的、数据中剩余的波动。比如用回归模型预测销售额时，SS_res就是“实际销售额与预测销售额的差异总和”，差值越大，说明模型漏捕的市场因素越多。rsq公式的本质：模型“释力”的量化
rsq的公式将SS_res与SS_tot关联，本质是在计算：模型能释的变异占总变异的比例。 公式中的“SS_res / SS_tot”是未释变异的比例，用1减去这个比例，得到的就是模型释了多少变异。比如：- 若R²=0.8，说明模型释了80%的总变异，剩余20%是随机误差或未考虑的变量；
- 若R²=1，意味着SS_res=0——所有预测值全等于实际值，模型美拟合；
- 若R²=0，说明模型的预测效果和“直接预测均值”一样此时ŷ_i=ȳ，SS_res=SS_tot，没有任何价值；
- 极端情况下R²为负，代表模型效果比“预测均值”更差通常是模型设计错误导致。 rsq的公式从“变异分”的角度，把模型的效果转化为可量化的比例。它不需要复杂假设，直接回答了“模型到底能帮我们释多少数据规律”这个核心问题——这也是它成为模型评估“黄金指标”的原因。