是的，请允许我详细说明。

回想一下，对于某些结果$y_i \in \mathbb{R}, \forall i=1,2,..,n$我们定义 MSE 和$\textrm{R}^2$作为

$$\begin{equation} \textrm{MSE}(y, \hat{y} ) = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y_i})^{2} \end{equation}$$

$$\begin{equation} \textrm{R}^2(y, \hat{y} ) = 1 - \frac{\sum_{i=1}^{n} (y_i - \hat{y_i})^{2}}{ \sum_{i=1}^{n} (y_i - \bar{y})^{2} } \end{equation}$$

所以，正如你所指出的，$\textrm{R}^2$是 MSE 的标准化版本，我们使用 MSE 进行报告，因为我认为它是一个简单的度量标准，从技术上讲，它是我们在求解正规方程时最小化的损失函数。

$\textrm{R}^2$很有用，因为它通常更容易解释，因为它不依赖于数据的规模。

作为一个具体的例子，考虑两个模型：一个预测收入，另一个预测年龄，$\textrm{R}^2$将更容易说明哪个模型表现更好。*

---

*一般来说，这不是一个好主意，你不应该比较像这样的指标$\textrm{R}^2$跨越不同的模型来做出这些声明，因为有些事情从根本上说比其他事情更难预测（例如，股票市场与泰坦尼克号幸存者）。