【scikit-learn】sklearn.metrics.r2_score() 函数： 回归模型评估指标 R² 决定系数（拟合程度）

sklearn.metrics.r2_score

r2_score（决定系数）是 sklearn.metrics 提供的一个 回归模型评估指标，用于衡量 模型的拟合优度（Goodness of Fit）。它表示 模型对数据方差的解释能力，取值范围为 (-∞, 1]。

---

1. r2_score 计算公式

$$R^2=1-\frac{\sum (y_i-{\hat{y}}_i{)}^2}{\sum (y_i-\bar{y}{)}^2}$$
其中：

• $y_i$ 是真实值
• ${\hat{y}}_i$ 是预测值
• $\bar{y}$ 是真实值的均值
• $\sum (y_i-\bar{y}{)}^2$ 表示 总方差（Total Variance）
• $\sum (y_i-{\hat{y}}_i{)}^2$ 表示 残差平方和（Residual Sum of Squares, RSS）

解释

• $R^2$ 反映了 模型的解释能力：
  • 接近 1：模型能很好地解释数据变化。
  • 接近 0：模型的预测效果和简单的均值预测差不多。
  • 小于 0：模型比均值预测更糟糕（可能是过拟合或模型选择错误）。

---

2. r2_score 代码示例

from sklearn.metrics import r2_score

# 真实值和预测值
y_true = [3.0, -0.5, 2.0, 7.0]
y_pred = [2.5, 0.0, 2.1, 7.8]

# 计算 R²
r2 = r2_score(y_true, y_pred)
print(f"R²: {r2:.2f}")

输出

R²: 0.95

解释

• R² = 0.95，说明 模型能解释 95% 的数据方差，是一个较好的拟合结果。

---

3. r2_score 的参数

r2_score(y_true, y_pred, sample_weight=None, multioutput="uniform_average")

参数	说明
y_true	真实值
y_pred	预测值
sample_weight	样本权重
multioutput	raw_values（返回每个输出的 R²）、uniform_average（默认，返回平均 R²）

(1) 计算 multioutput 选项

import numpy as np

y_true = np.array([[3, -0.5, 2, 7], [2, 1, 4, 6]])
y_pred = np.array([[2.5, 0.0, 2.1, 7.8], [2.1, 1.1, 3.9, 5.9]])

r2_raw = r2_score(y_true, y_pred, multioutput="raw_values")
r2_weighted = r2_score(y_true, y_pred, multioutput="variance_weighted")

print(f"逐列 R²: {r2_raw}")
print(f"加权平均 R²: {r2_weighted:.2f}")

---

4. r2_score 适用场景

• 回归任务（如房价预测、气温预测）
• 衡量模型的拟合优度
• 需要解释模型对数据变化的解释能力

---

5. r2_score vs. 其他回归误差指标

指标	计算公式	适用场景
mean_absolute_error（MAE）	$\frac{1}{n}\sum |y_i-{\hat{y}}_i|$	衡量误差的平均大小，对离群值不敏感
mean_squared_error（MSE）	$\frac{1}{n}\sum (y_i-{\hat{y}}_i{)}^2$	强调较大误差，对离群值敏感
root_mean_squared_error（RMSE）	$\sqrt{MSE}$	与 MSE 相似，但单位与目标变量相同
r2_score	解释方差比例	衡量模型的拟合程度

示例：

from sklearn.metrics import mean_absolute_error, mean_squared_error

mae = mean_absolute_error(y_true, y_pred)
mse = mean_squared_error(y_true, y_pred)
rmse = mean_squared_error(y_true, y_pred, squared=False)

print(f"MAE: {mae:.2f}")
print(f"MSE: {mse:.2f}")
print(f"RMSE: {rmse:.2f}")

---

6. 结论

• r2_score 计算 决定系数（R²），用于衡量 回归模型的拟合优度。
• 适用于 回归任务，解释模型能 解释数据变化的程度。
• 当 R² 接近 1，表示模型拟合良好，接近 0 表示模型和均值预测差不多，小于 0 说明模型可能不合适。
• 可与 MAE、MSE、RMSE 结合使用，以更全面评估模型。