相关指数R²，又称决定系数，是衡量回归模型拟合优度的核心指标，其公式为 R² = 1 - (SS_res / SS_tot)，其中SS_res为残差平方和，SS_tot为总平方和。推导过程基于总平方和分解为回归平方和与残差平方和，通过比较回归解释变异占总变异的比例得出。 在实际应用中，相关指数越接近1，表示模型对数据的解释能力越强；反之则越弱。相关指数公式的推导不仅适用于线性回归，也可推广至非线性模型，是统计学习和数据分析中判断模型效果的关键依据。

常见问题

问题1：相关指数公式推导中，总平方和与残差平方和的具体含义是什么？

回答1：在相关指数公式推导中，总平方和（SS_tot）表示因变量实际值与其均值之差的平方和，反映数据的总体变异；残差平方和（SS_res）表示实际值与预测值之差的平方和，反映模型未能解释的误差。两者之差即为回归平方和（SS_reg），代表模型解释的变异。

问题2：相关指数R²的值是否可能为负数？

回答2：在相关指数公式推导中，R² = 1 - (SS_res / SS_tot) 通常取值范围为0到1，但当模型拟合效果极差（如错误指定模型或使用强制截距时），SS_res可能大于SS_tot，导致R²为负，此时表明模型甚至不如简单用均值预测。

问题3：相关指数公式推导对非线性模型是否适用？

回答3：相关指数公式推导的核心思想是总平方和分解，在非线性回归中同样适用，但需注意计算残差平方和时仍需基于实际观测值与模型预测值。然而，非线性模型的相关指数可能无法直接解释为线性关系比例，需结合其他指标综合评估。

问题4：如何通过相关指数公式推导判断模型是否过拟合？

回答4：相关指数公式推导本身仅反映拟合优度，过拟合时R²可能很高但泛化能力差。通常需结合调整后的相关指数（Adjusted R²）或交叉验证，因为调整后的R²会惩罚多余变量，避免单纯依赖R²的误导。