回答：
看到这个。感谢Gaurav Bansal。
说明：
我试图想出解释这个的最好方法，我偶然发现了一个非常好的工作页面。我宁愿给这个人一个解释的功劳。如果链接对某些人不起作用，我在下面列出了一些信息。
简单地说： #R ^ 2# value只是相关系数的平方 #R·.
该 相关系数（ #R·) 一个模型（比如变量 #X# 和 #Y#）取值之间 #-1# 和 #1#。它描述了如何 #X# 和 #Y# 是相关的。
- 如果 #X# 和 #Y# 完全一致，那么这个价值就是积极的 #1#
- 如果 #X# 增加而 #Y# 以完全相反的方式减少，那么这个值就是 #-1#
- #0# 将是一种没有相关性的情况 #X# 和 #Y#
但是，这个 #R· value仅对简单的线性模型有用（只是一个 #X# 和 #Y#）。一旦我们考虑了多个自变量（现在我们有 #X_1#, #X_2#，…），很难理解相关系数的含义。跟踪哪个变量对相关性有贡献并不是那么清楚。
这就是 #R ^ 2# 价值发挥作用。它只是相关系数的平方。它需要两者之间的值 #0# 和 #1#，值接近 #1# 意味着更多的相关性（无论是正相关还是负相关）和 #0# 暗示没有相关性。另一种思考方式是因变量的分数变化是所有自变量的结果。如果因变量高度依赖于其所有自变量，则该值将接近 #1#。所以 #R ^ 2# 更有用，因为它也可以用来描述多变量模型。
如果您想讨论与这两个值相关的一些数学概念，请参阅此内容。
