sklearn中cross_val_score默认评分指标？回归模型评分相关疑问

1. cross_val_score结果均值的计算方式 #

你用的是10折交叉验证（cv=10），scikit-learn会把数据集随机分成10个互斥子集：

• 每次用9个子集训练模型，剩下1个做测试，得到1个独立评分
• 重复10次后拿到10个评分值
• 最终的均值就是这10个评分的算术平均值，标准差则是这10个值的样本标准差，用来体现模型在不同数据子集上的性能波动程度。

2. 0.84是否属于合格的模型性能 #

没有绝对的“合格”标准，得结合任务场景判断：

• 如果是复杂回归任务（比如预测房价、用户消费额），0.84的R²（默认评分）已经算不错的表现，说明模型能解释84%的目标变量方差
• 如果是简单线性关系预测（比如根据边长算正方形面积），这个分数可能偏低，这类任务理论上可以接近满分
• 更合理的判断方式是对比基线模型（比如线性回归）的得分，如果你的随机森林模型比基线高出不少，那就是合格甚至优秀的；也可以参考同领域类似任务的公开基准分数。

3. 更优的回归模型评分方式 #

除了默认的R²，还有几种贴合不同场景的评分方式：

• 均方误差（MSE）/根均方误差（RMSE）：MSE是预测值与真实值差的平方的平均值，RMSE是其平方根，和目标变量单位一致，能直观反映预测的误差幅度，适合关注误差绝对值的场景
• 平均绝对误差（MAE）：是预测值与真实值差的绝对值的平均值，对异常值的鲁棒性比MSE强，适合数据中有较多极端值的情况
• 可解释方差分数：衡量模型能解释的目标变量方差比例，和R²类似，但当模型预测均值与真实值均值不同时，结果会有差异
• 自定义评分函数：用sklearn.metrics.make_scorer封装自定义逻辑，比如加权MAE（给重要样本更高权重），适合处理不平衡或有特殊业务需求的数据集

4. cross_val_score的默认评分指标 #

在回归任务中，cross_val_score的默认评分指标是R²（决定系数），公式为：
R² = 1 - (sum((y_true - y_pred)²) / sum((y_true - y_true.mean())²))
它衡量模型能够解释的目标变量方差比例，取值范围通常在(-∞,1]之间，越接近1说明模型拟合效果越好。

内容的提问来源于stack exchange，提问作者Mehan Alavi