pickle保存的岭回归模型新数据评估及.score()方法疑问

你构建了用于预测商品X销量的岭回归（ridge regression）模型，最终模型共包含约180个特征，已通过pickle完成模型持久化保存。当前需要验证该模型在不同时间周期、特征维度完全对齐的新数据集上的泛化效果，计划将DataFrame格式的整个新数据集传入已保存的模型，计算R²等适用于回归任务的评估指标。

当前使用的代码如下：

# loading library
import pickle

with open('ridge_model', 'wb') as p:
    pickle.dump(ridge, p)
    
y_test = df.pop('Target')
x_test = df

# load saved model
with open('ridge_model' , 'rb') as p:
    new_reg = pickle.load(p)

r_squared = new_reg.score(x_test,y_test)
print(r-squared)

各变量说明：

• ridge：训练完成的岭回归模型
• df：待执行预测的新数据集
• y_test：数据集对应的目标变量
• x_test：剔除目标变量后的特征集合

待解答的两个疑问：

1. 是否可以直接将整个新数据集传入已持久化的现有模型完成预测，进而评估模型的性能表现？
2. 代码中r_squared = new_reg.score(x_test,y_test)行调用的.score()方法，计算的是否为与模型训练阶段一致的R²值，还是会返回其他类型的评估得分？

关于第一个问题 #

只要满足以下前提，直接传入整个新数据集完成评估是完全可行的：

• 新数据集的特征维度、列顺序、预处理逻辑和模型训练阶段完全对齐：你已经确认特征维度对齐，还需要保证特征列的顺序和训练时输入模型的顺序完全一致（scikit-learn模型不会识别DataFrame列名，会按传入数组的列位置匹配特征，列顺序错位会直接导致预测结果完全错误）；同时新数据集必须经过和训练集完全一致的预处理（比如标准化、缺失值填充、类别特征编码等，预处理器必须用训练集拟合的版本，不能在新数据集上重新拟合）。
• 修正现有代码的逻辑错误：你贴的代码把模型保存逻辑和测试逻辑写在了一起，每次运行测试流程都会执行一次pickle.dump覆盖已保存的模型，建议把训练保存、加载测试的代码拆分，避免误覆盖训练好的最优模型；另外最后一行print(r-squared)存在变量名书写错误，你定义的变量是r_squared，中间没有减号，需要改成print(r_squared)否则会触发运行错误。

pickle加载得到的模型对象和你训练完成时内存中的ridge对象完全一致，.score()方法本身就支持传入批量样本（整个DataFrame）计算结果，不需要逐行拆分预测。

关于第二个问题 #

如果你使用的是scikit-learn实现的岭回归模型sklearn.linear_model.Ridge，.score(x_test, y_test)返回的就是和训练阶段计算逻辑完全一致的R²决定系数，计算规则为：
$R^2 = 1 - \frac{\sum_{i=1}^{n}(y_i - \hat{y}_i)^{2}{\sum_{i=1}}{n}(y_i - \bar{y})^2}$
其中$\hat{y}_i$是模型预测值，$\bar{y}$是真实值的均值。

scikit-learn中所有回归类模型的.score()方法默认都返回R²值，只有分类模型的.score()会返回准确率，不存在返回其他评估指标的情况。如果你需要额外计算MAE、MSE、RMSE等其他回归评估指标，需要从sklearn.metrics模块导入对应方法单独计算。

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