在scikit-learn中使用LassoCV.score（）获得负分

Question

我使用LassoCV测试了2个模型，一个没有任何明确的alphas列表，另一个使用alphas列表 -

Model1 = LassoCV(alphas=None, copy_X=True, cv=None, eps=0.001, fit_intercept=True,
max_iter=1000, n_alphas=100, normalize=True, precompute='auto',
tol=0.0001, verbose=False)

Model2 = LassoCV(alphas=[0.1, 0.2, 0.4, 1.0, 10.0], copy_X=True, cv=None, eps=0.001,
fit_intercept=True, max_iter=1000, n_alphas=100, normalize=True,
precompute='auto', tol=0.0001, verbose=False)

我正在使用 sklearn.datasets 中的糖尿病数据集以及此示例中的数据分区方案 - http://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#example-linear-model-plot-ols-py

对两者使用modelX.score各自的错误是 -

模型1： 0.47235439555084802

模型2： -0.15271790306245214

在检查alpha值时，我发现对于Model1，它是 0.0021734898275546505 ，而对于Model2，它是 10.0 。

为什么它会得到负的RMS值？

这根本没有帮助 - negative value for "mean_squared_error"

Answer 1

score实例的LassoCV方法返回R-Squared分数，该分数可能为负数。请参阅documentation：

  

最佳分数为1.0，较低的值更差......与大多数人不同   其他分数，R ^ 2得分可能是负数（它实际上不需要   数量的平方R）。

因此，负分数仅表示特定模型的表现非常糟糕。