原理：
线性回归，本来就是在多个散点之间，拟合一个函数，这个函数和实际的值之间的偏差，就用 R2 来评估。
函数的值属于预测值，如果直接使用 预测值 - 实际值，然后求和，可能碰到正负相抵的情况，所以使用差值的平方然后求和。求和后的结果除以个数，就是 均方误差。
但是单纯的均方误差很难评价预测准确性，需要有另外一个来对比，才能体现出准确性。 用来对比的，最简单就是平均值，在坐标系中就是 一条水平线，也就是方差。
甚至我们可以这样来考虑，在散点图上，我有两条线，一条线是我精心拟合的（仔细计算系数），一条线是我粗暴拟合的（直接求平均），只要我精心拟合的和实际值之间的误差，对比我粗暴拟合的和实际值之间的误差，越小越好。
公式：
R2 = 1 - 均方误差 / 方差
均方误差: 实际值减去预测值的差值，先平方，然后求和，再平均。
方差：实际值减去平均值的差值，先平方，然后求和，再平均。
参考:
回归分析中相关指数R^2的探讨
https://zhuanlan.zhihu.com/p/158817889
R2系数浅析
https://blog.csdn.net/m0_46278903/article/details/113200083
辨析：方差 和 均方误差 的联系和区别
https://blog.csdn.net/lw200814/article/details/115700799
