Ага, хорошо
В моей задаче логарифмирование целевой переменной повысил R2 с 60% до 80%

Но в перво случае я r2 получается на тех данных, что есть изначально, а в о втором на логорифме, если я обратно приведу к исходным данным, то он вообще отрицательный

Так не должно быть?

Отрицательным он быть не может

Та метрика, что расчтывается в sklearn, может
Формула (1- u/v)

Там он еще и больше единички быть может вроде

Да, и такое бывает)

Но не понял почему

Крч, я к тому, что логарифм предсказывает хорошо, но если это обратно экспонировать, то все плохо

В сферических

Корреляция Пирсона  меряет линейную связь поэтому если есть подозрение что переменные связаны экспоненциально логарифмирование переводит такую связь в линейную. Логично что коэфициент r^2 должен подрасти. Как они могут после экспонирования получаться другими нежели изначальные данные я не знаю - посмотри не вылазят ли у тебя NAN при логарифмировании - такое бывает в R например если значения очень маленькие - он принимает их за ноль и выдает NAN

Как при возведение е в степень может получиться отрицательное число?

Что это за метрика?

Не, я не говорю, что получаются отрицательные числа
Просто я рассчитываю r2 на логорифмах и получаю 80%

Возвожу снова в степень е
И рассчиьываю снова r2 и получаю ноль

Отрицательный - это меньше 0

это кроме смеха, стоит переводить?

Если удобно с ними работать, можно и с ними работать

Да какая разница какой он, 0 или меньше 0

Так-то широта и долгота уже компоненты сферических координат

Разница в том, на каком этапе ошибка. Но телепатически сложно определить, на каком именно