sklearn.metrics中r2_score返回异常值的技术咨询

• 你完全用错了r2_score的参数逻辑：这个函数的标准调用是r2_score(y_true, y_pred)，第一个参数必须是真实标签值，第二个是模型输出的预测值，不是随便把x和y两个数组互换传入。你之前的两次调用都是把特征和真实值直接当真实值/预测值传，完全不符合R²的计算场景，结果自然无意义。

• 线性回归模型的score()方法是正确的：它内部会自动用输入的特征x生成预测值y_pred，然后计算r2_score(y, y_pred)，这和Excel趋势线的R²计算逻辑一致，所以得到的0.5778是合理的。

• 正确的r2_score调用示例：

from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score

# 假设x是特征数据，y是真实标签
model = LinearRegression()
model.fit(x, y)
y_pred = model.predict(x)

# 正确计算R²
proper_r2 = r2_score(y, y_pred)
# 这个结果会和model.score(x, y)完全一致，也就是你看到的0.5778

• 你之前两次调用的问题解析：
  • r2_score(y, x)：把y当真实值，x当预测值，相当于用特征x去拟合标签y，这和你的建模目标完全相反，拟合度极低所以R²只有0.0148
  • r2_score(x, y)：把x当真实值，y当预测值，拟合效果远差于均值基准，所以R²为负（R²为负表示模型性能不如直接用均值预测，完全不符合数据规律）

内容的提问来源于stack exchange，提问作者Stefan_E