R方（R-squared）及调整R方（Adjusted R-Square）区别
第一：R方（R-squared）
定义：衡量模型拟合度的一个量,是一个比例形式，被解释方差/总方差。
公式：R-squared = SSR/TSS
=1 – RSS/TSS
其中：TSS是执行回归分析前，响应变量固有的方差。
RSS残差平方和就是，回归模型不能解释的方差。
SSR回归模型可以解释的方差。
综上，R-squared 比列值区间在【0，1】
第二：线性回归模型下，R方和相关系数
相关系数公式
我们知道，相关系数衡量两个变量【预测变量X,响应变量Y】之间的”距离”。
1、一元线性回归
R方在一元线性回归模型中，衡量【响应变量X和预测变量Y】的线性关系。
R方=cor（X,Y)^2
但是在多元线性回归模型中，因为涉及多个预测变量，所有R方就是衡量响应变量和多个预测变量之间的关系。
而相关系数，只是衡量一对变量之间的关系，所有就不能推广了。
2、多元线性回归模型
R平方=cov（y，yi）^2
其中相关系数的两个变量变成，响应值和线性回归的预测值了。当然一元线性也同样适用了。
第三：调整R方（Adjusted R-Square）
其中，n 是样本数量，p 是特征数量。Adjusted R-Squared 抵消样本数量对 R-Squared 的影响，做到了真正的 0~1，越大越好。
因为在模型中，增加多个变量，即使事实上无关的变量，也会小幅度条R平方的值，当时其是无意义，所有我们调整了下，降低R平方的值。
简单地说就是，用r square的时候，不断添加变量能让模型的效果提升，而这种提升是虚假的。
利用adjusted r square，能对添加的非显著变量给出惩罚，也就是说随意添加一个变量不一定能让模型拟合度上升
原文链接：https://blog.csdn.net/Jesszen/article/details/81017669