您正在模型中拟合多个参数。（通常，您为每个变量拟合一个参数，但您的模型是非线性的，因此即使您只有一个变量，情况也并非如此。）每增加一个参数，您的模型就有机会拟合数据更好，即使不应该拟合该参数（例如，如果或实际上是）。调整后的统计数据试图纠正增加的灵活性。 $X$$b$$g$$1$$R^2$

$R^2$本身并没有太大的意义。较低的值可能是合适的（这是可以合法解释的信息量），也可能表明存在不合适的问题。高值可能表示模型信息量特别大，或者严重过度拟合。构成“低”或“高”的内容因主题而异。等等。因此，它们在比较中是最有用的。我猜你会将同一个模型拟合到多个变量，但是如果变量和模型的函数形式每次都相同，那么无论你使用还是只要你每次都使用同一个。$R^2$$Y$$X$$R^2$$R^2_{\rm adj}$$R^2_{\rm adj}$可能是理想的，但由于其比较性质，以您所在领域中更常见的为准。

你不应该使用这些。这是因为对于非线性回归，和调整后如果目的是报告模型的准确性，我建议在保留测试集上使用交叉验证错误 MSE。$R^2$$R^2$