scikit-learn中RMSE评分器为何返回MSE值？

你遇到的核心问题是错误地直接访问了scikit-learn评分器的私有内部属性_score_func，这并不是评分器的正确使用方式。

为什么会出现返回结果一致的现象？ #

neg_root_mean_squared_error评分器的底层确实依赖mean_squared_error函数，但评分器会封装额外的参数逻辑（比如squared=False）和符号处理。直接调用_score_func时，并没有传入这些预设的参数，所以默认使用squared=True，得到的就是MSE值，和neg_mean_squared_error的_score_func行为一致。

正确使用评分器的方式 #

要获取正确的RMSE（或负RMSE）结果，应该调用评分器的score()方法，或者直接使用对应的度量函数并传入完整参数：

方式1：使用评分器的score()方法

from sklearn.metrics import get_scorer
x = [1, 1, 1]
y = [1, 3, 3]

# 获取负RMSE评分器
rmse_scorer = get_scorer('neg_root_mean_squared_error')
# 用dummy模型模拟预测逻辑
class DummyModel:
    def predict(self, X):
        return X

model = DummyModel()
print(rmse_scorer.score(model, [[1],[1],[1]], y))  # 输出：-2.0（对应RMSE=2.0）

# 对比MSE评分器
mse_scorer = get_scorer('neg_mean_squared_error')
print(mse_scorer.score(model, [[1],[1],[1]], y))  # 输出：-4.0（对应MSE=4.0）

方式2：直接调用度量函数

from sklearn.metrics import mean_squared_error
x = [1, 1, 1]
y = [1, 3, 3]

rmse = mean_squared_error(x, y, squared=False)
print(rmse)  # 输出：2.0

mse = mean_squared_error(x, y, squared=True)
print(mse)  # 输出：4.0

关键细节 #

• scikit-learn中以下划线开头的属性（如_score_func）是私有内部实现，不应该被外部代码直接依赖，不同版本可能会修改这些内部逻辑。
• 带neg_前缀的评分器返回的是对应度量的负值，因为scikit-learn的模型选择逻辑默认是“分数越高越好”，而RMSE/MSE是越小越好，所以取负值转换。

内容的提问来源于stack exchange，提问作者timaie