回归模型的score得分为负_深度研究：回归模型评价指标R2_score

回归模型的性能的评价指标主要有：RMSE(平方根误差)、MAE(平均绝对误差)、MSE(平均平方误差)、R2_score。但是当量纲不同时，RMSE、MAE、MSE难以衡量模型效果好坏。这就需要用到R2_score，实际使用时，会遇到许多问题，今天我们深度研究一下。

预备知识

搞清楚R2_score计算之前，我们还需要了解几个统计学概念。

若用 表示真实的观测值，用 表示真实观测值的平均值，用 表示预测值,则：

回归平方和：SSR

即估计值与平均值的误差，反映自变量与因变量之间的相关程度的偏差平方和

残差平方和：SSE

即估计值与真实值的误差，反映模型拟合程度

总离差平方和：SST

即平均值与真实值的误差，反映与数学期望的偏离程度

R2_score计算公式

R^2 score，即决定系数，反映因变量的全部变异能通过回归关系被自变量解释的比例。计算公式：

即

进一步化简

分子就变成了常用的评价指标均方误差MSE，分母就变成了方差。

对于 可以通俗地理解为使用均值作为误差基准，看预测误差是否大于或者小于均值基准误差。

R2_score = 1，样本中预测值和真实值完全相等，没有任何误差，表示回归分析中自变量对因变量的解释越好。

R2_score = 0。此时分子等于分母，样本的每项预测值都等于均值。

R2_score不是r的平方，也可能为负数(分子>分母)，模型等于盲猜，还不如直接计算目标变