$R^2$不是评估分类拟合优度的好方法。

$R^2$适用于预测连续变量。当因变量是连续的$R^2$通常取值之间$0$和$1$（例如，在线性回归中，不可能有$R^2$超出这些边界），并且它被解释为模型能够正确再现的因变量的方差份额。什么时候$R^2$等于$1$这意味着模型能够完全重新创建因变量，当它等于$0$，这意味着模型在这个任务上完全失败了。

当因变量是分类变量时，它没有意义，因为$R^2$使用预测值和实际值之间的距离，而假设“1”表示“A”类，“2”表示“B”类，“3”表示“C”类之间的距离没有意义。

使用其他度量，例如AUC 用于具有两个类的分类和对数损失用于具有更多类的分类。并确保您在模型中使用适当的参数：在许多机器学习模型中，您必须声明问题是属于分类还是回归性质，并且会显着影响结果。