无法复现torcheval.metrics.r2_score总平方和计算，求差异解释

核心结论：两种TSS计算方式在数学上是等价的，数值不匹配源于张量维度处理或对torcheval公式的误解。

数学等价性验证 #

手动计算的TSS公式：

ss_total = torch.sum((var1 - torch.mean(var1)) ** 2)

torcheval的TSS计算公式：

tss = sum_squared_obs - torch.square(sum_obs) / num_obs

其中sum_squared_obs = torch.sum(var1 ** 2)，sum_obs = torch.sum(var1)，num_obs = len(var1)。

通过代数推导可证明两者完全等价：

sum((x - μ)²) = sum(x²) - 2μsum(x) + Nμ²
= sum(x²) - 2*(sumx/N)*sumx + N*(sumx/N)²
= sum(x²) - (sumx²)/N
= sum_squared_obs - (sum_obs)²/num_obs

你的数值差异分析 #

从你提供的输出看：

• 手动计算的ss_total=3.7081，但按torcheval的sum_squared_obs=22.2245、sum_obs=-29.9617、num_obs=64计算，TSS应为：

  22.2245 - (897.7044)/64 ≈ 8.1979
  

• 两者的ss_residual一致（均为8.9471），说明var1和var2的取值是相同的，差异出在TSS的计算维度上。

可能的原因 #

1. 多维张量的维度处理差异
   如果var1是多维张量（比如形状为(64, k)，k为特征数）：

   • torcheval的R2Score默认（multioutput='uniform_average'）会对每个特征单独计算TSS和R²，再取平均值；
   • 你的手动计算是对所有元素计算全局均值和TSS，导致结果完全不同。
     解决：手动计算时按特征维度拆分计算，或设置R2Score(multioutput='raw_values')查看每个特征的R²结果。

2. 对torcheval公式的误解
   你贴出的官方文档中sum_squared_obs = torch.sum((actual - torch.mean(actual)) ** 2)是错误的，实际torcheval中sum_squared_obs是torch.sum(actual ** 2)。如果按照错误的文档实现torcheval的公式，会导致TSS计算错误。

验证方法 #

检查var1的形状：

print(var1.shape)

如果是多维，尝试手动按特征维度计算R²再平均：

ss_total_per_feature = torch.sum((var1 - torch.mean(var1, dim=0)) ** 2, dim=0)
ss_residual_per_feature = torch.sum((var1 - var2) ** 2, dim=0)
r2_per_feature = 1 - (ss_residual_per_feature / ss_total_per_feature)
r2_manual_average = torch.mean(r2_per_feature)

这个结果应该和torcheval的输出一致。

内容的提问来源于stack exchange，提问作者Sergio Solorzano