在快速谷歌后发现：“R^2 用于量化模型解释的数据中的可变性数量。它对于比较不同模型的拟合很有用。

卡方拟合优度检验用于测试您的数据是否遵循特定分布。它对于测试模型假设而不是比较模型更有用。”

听起来卡方更有用，如果你有一个你试图测试的函数（或你试图拟合你的数据的模型），而不是 R^2，它告诉你数据中有多少可变性，因此最好的模型适合多少。

Chi^2提供与目标的依赖关系的每个特征测量。对于分类模型，这在特征选择阶段很有用。我们想清除低依赖性特征。（用于分类和回归模型的其他此类测量的scikit-learn 指南）。

R^2提供了目标方差的模型级测量解释。这在模型评估阶段很有用。（R^2 的scikit-learn 指南）