python - 我的 R 平方分数为负，但使用 k 倍交叉验证的准确度分数约为 92%

Question

对于下面的代码，我的 r 平方分数为负，但使用 k 折交叉验证的准确度分数为 92%。这怎么可能？我使用随机森林回归算法来预测一些数据。数据集的链接在下面的链接中给出: https://www.kaggle.com/ludobenistant/hr-analytics

import numpy as np
import pandas as pd
from sklearn.preprocessing import LabelEncoder,OneHotEncoder

dataset = pd.read_csv("HR_comma_sep.csv")
x = dataset.iloc[:,:-1].values   ##Independent variable
y = dataset.iloc[:,9].values     ##Dependent variable

##Encoding the categorical variables

le_x1 = LabelEncoder()
x[:,7] = le_x1.fit_transform(x[:,7])
le_x2 = LabelEncoder()
x[:,8] = le_x1.fit_transform(x[:,8])
ohe = OneHotEncoder(categorical_features = [7,8])
x = ohe.fit_transform(x).toarray()


##splitting the dataset in training and testing data

from sklearn.cross_validation import train_test_split
y = pd.factorize(dataset['left'].values)[0].reshape(-1, 1)
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.2, random_state = 0)

from sklearn.preprocessing import StandardScaler
sc_x = StandardScaler()
x_train = sc_x.fit_transform(x_train)
x_test = sc_x.transform(x_test)
sc_y = StandardScaler()
y_train = sc_y.fit_transform(y_train)

from sklearn.ensemble import RandomForestRegressor
regressor = RandomForestRegressor(n_estimators = 10, random_state = 0)
regressor.fit(x_train, y_train)

y_pred = regressor.predict(x_test)
print(y_pred)
from sklearn.metrics import r2_score
r2_score(y_test , y_pred)

from sklearn.model_selection import cross_val_score
accuracies = cross_val_score(estimator = regressor, X = x_train, y = y_train, cv = 10)
accuracies.mean()
accuracies.std()

Answer 1

您的问题有几个问题...

对于初学者来说，您犯了一个非常基本的错误:您认为您正在使用准确性作为指标，而您处于回归设置中，并且下面使用的实际指标是 mean squared error (MSE)。

准确度是分类中使用的一个指标，它与正确分类示例的百分比有关 - 检查 Wikipedia条目了解更多详细信息。

您选择的回归器(随机森林)内部使用的指标包含在 regressor.fit(x_train, y_train) 命令的详细输出中 - 请注意 criterion='mse' 参数:

RandomForestRegressor(bootstrap=True, criterion='mse', max_depth=None,
           max_features='auto', max_leaf_nodes=None,
           min_impurity_split=1e-07, min_samples_leaf=1,
           min_samples_split=2, min_weight_fraction_leaf=0.0,
           n_estimators=10, n_jobs=1, oob_score=False, random_state=0,
           verbose=0, warm_start=False)

MSE 是一个正连续量，并且上限不为 1，即，如果您得到的值为 0.92，这意味着……嗯，0.92，而不是 92%。

知道这一点后，明确将 MSE 作为交叉验证的评分函数是一种很好的做法:

cv_mse = cross_val_score(estimator = regressor, X = x_train, y = y_train, cv = 10, scoring='neg_mean_squared_error')
cv_mse.mean()
# -2.433430574463703e-28

对于所有实际目的，该值为零 - 您几乎完美地适应训练集；为了确认，这里是您的训练集的(再次完美)R 平方分数:

train_pred = regressor.predict(x_train)
r2_score(y_train , train_pred)
# 1.0

但是，一如既往，当您将模型应用于测试集时，关键时刻就会到来；这里您的第二个错误是，由于您使用缩放的y_train来训练回归器，因此您还应该在评估之前缩放y_test:

y_test = sc_y.transform(y_test)
r2_score(y_test , y_pred)
# 0.9998476914664215

并且您在测试集中得到了非常好的 R 平方(接近 1)。

MSE 怎么样？

from sklearn.metrics import mean_squared_error
mse_test = mean_squared_error(y_test, y_pred)
mse_test
# 0.00015230853357849051