手动计算与调用函数得到的explained_variance_score结果为何不同？

核心结论 #

sklearn计算结果为1是正确的，你的手动计算错误源于对残差方差的定义理解偏差。

原因分析 #

给定数据集：

• y_true = [1, 2, 3, 4, 5]
• y_pred = [6, 7, 8, 9, 10]

可以发现y_pred是y_true的线性平移（y_pred = y_true + 5），因此残差y_true - y_pred = [-5, -5, -5, -5, -5]是一个常数数组。

根据解释方差得分的公式：

EVS = 1 - Var(y_true - y_pred) / Var(y_true)

1. 残差的方差计算：
   方差的定义是每个数据点与均值的差的平方的平均值。对于常数数组，所有数据点等于均值（残差均值为-5），因此每个数据点与均值的差为0，残差的方差为0。

2. 代入公式：
   无论Var(y_true)取总体方差（2）还是样本方差（2.5），0 / Var(y_true)的结果都是0，因此EVS = 1 - 0 = 1，与sklearn的计算结果一致。

你的手动计算错误点 #

你得到-11.5是因为错误地将残差的平方均值（((-5)^2 * 5)/5 = 25）当作了残差的方差，而没有按照方差定义减去残差的均值。正确的残差方差应为0，而非25。

验证代码 #

from sklearn.metrics import explained_variance_score
import numpy as np

y_true = [1, 2, 3, 4, 5]
y_pred = [6, 7, 8, 9, 10]

# sklearn计算结果
evs_sklearn = explained_variance_score(y_true, y_pred)
print(f"sklearn计算的EVS: {evs_sklearn}")

# 手动正确计算
residuals = np.array(y_true) - np.array(y_pred)
var_residuals = np.var(residuals, ddof=0)  # 总体方差
var_y_true = np.var(y_true, ddof=0)
evs_manual = 1 - var_residuals / var_y_true
print(f"手动正确计算的EVS: {evs_manual}")

运行结果会输出两个1，验证了结论的正确性。

内容的提问来源于stack exchange，提问作者user2718067