Das adjustierte R2 ist ein Maß der Modellgüte und wird häufig im Kontext der multiplen linearen Regression verwendet (also einer linearen Regression mit einer abhängigen Variable, aber mehr als einem Prädiktor). Es gibt, ähnlich dem Determinationskoeffizienten R2, Aufschluss über den durch das Modell aufgeklärten Anteil der Varianz der abhängigen Variable.
Im Vergleich zum „normalen R2“ geht beim adjustierten R2 zusätzlich die Anzahl der Prädiktoren des Modells bzw. die Modellkomplexität in die Berechnung ein, um dem Effekt des Overfittings entgegenzuwirken.
Overfitting bedeutet, dass das R2 mit steigender Anzahl von Prädiktoren ebenfalls immer weiter ansteigt, obwohl die Güte des Modells nicht wirklich zunimmt. Hier entsteht also der Eindruck, dass das Modell durch die Aufnahme von immer mehr Prädiktoren stetig besser wird, was allerdings nicht unbedingt stimmt.
Falls dich der Vergleich verschiedener Adjustierungsmöglichkeiten des R2 interessiert, findest du hier einen tollen Artikel dazu.