回归模型的score得分为负_sklearn之计算回归模型的四大评价指标（explained_variance_score、mean_absolute_error、mean_squared_error...

def calPerformance(y_true,y_pred):

'''

模型效果指标评估

y_true：真实的数据值

y_pred：回归模型预测的数据值

explained_variance_score：解释回归模型的方差得分，其值取值范围是[0,1]，越接近于1说明自变量越能解释因变量

的方差变化，值越小则说明效果越差。

mean_absolute_error：平均绝对误差(Mean Absolute Error，MAE)，用于评估预测结果和真实数据集的接近程度的程度

，其其值越小说明拟合效果越好。

mean_squared_error：均方差(Mean squared error，MSE)，该指标计算的是拟合数据和原始数据对应样本点的误差的

平方和的均值，其值越小说明拟合效果越好。

r2_score：判定系数，其含义是也是解释回归模型的方差得分，其值取值范围是[0,1]，越接近于1说明自变量越能解释因

变量的方差变化，值越小则说明效果越差。

'''

model_metrics_name=[explained_variance_score, mean_absolute_error, mean_squared_error, r2_score]

tmp_list=[]

for one in model_metrics_name:

tmp_score=one(y_true,y_pred)

tmp_list.append(tmp_score)

x=[]

x.append(tmp_list)

f1 = pd.DataFrame(x,columns=['explained_variance_score', 'mean_absolute_error', 'mean_squared_error', 'r2_score'])

print(f1)

return tmp_list

if __name__=='__main__':

y_pred=[22, 21, 21, 21, 22, 26, 28, 28, 33, 41, 93, 112, 119, 132, 126, 120, 101, 56, 58, 58, 57, 57, 53, 52, 52, 51, 50, 49, 49, 50, 54, 58, 85, 115, 125, 131, 135, 137, 135, 126, 109, 80, 83, 83, 77, 75, 74, 73, 73, 69, 67, 64, 64, 65, 69, 72, 93, 126, 141, 145, 126, 107, 65, 67, 70, 73, 77, 80, 82, 82, 79, 77, 72, 69, 67, 65, 64, 67, 75, 88, 105, 107, 101, 102, 100, 84, 85, 56, 50, 44, 41, 40, 36, 36, 35, 35, 34, 37, 37, 37, 38, 40, 41, 41, 44, 74, 98, 89, 89, 95, 101, 117, 115, 75, 47, 41, 40, 40, 37, 38, 40, 37, 37, 42, 41, 43, 39, 40, 44, 47, 54, 59, 70, 83, 83, 77,