使用LSTM与GRU做时间序列分析出现负R²值问题咨询

R²的取值范围纠正 #

你看到的部分资料里R²取值为0~1是错误认知，R²的实际取值范围为(-∞, 1]，只有当模型预测效果优于「直接用真实值的均值作为所有样本的预测结果」的朴素基准时，R²才会落在0到1的区间内。

R²的计算公式为：

R² = 1 - (SSR / SST)
其中SSR为预测值与真实值的残差平方和，SST为真实值与真实值均值的残差平方和

当SSR > SST时，R²就会出现负值，代表模型预测效果比直接猜均值还要差。 #

你场景下出现负R²的常见原因 #

结合你给出的代码和金融时序预测的场景，最可能的原因有以下几个：

• 归一化/反归一化逻辑遗漏：训练时序模型时你大概率对输入特征做了归一化/标准化处理，但你的evaluate_model函数直接用原始测试集数据计算指标，预测输出Y_hat是归一化后的小量级数值，而Y_test是原始的收盘价绝对值，两个序列量级差距极大，计算出的残差平方和SSR远大于SST，就会得到负R²。你视觉上觉得拟合效果好，是因为绘图时会自动对齐两个序列的坐标轴范围，看起来走势贴合，但实际数值误差非常大。
• 测试集分布漂移：你用的是2020年的股票数据，9-12月的测试区间可能出现了和训练集完全不同的行情走势，模型虽然捕捉到了短期波动趋势，但绝对价格的误差比直接用训练集收盘价均值做预测还要大，也会出现负R²。
• 数组维度不匹配：检查Y_test和Y_hat的维度是否完全一致，比如有没有其中一个是二维数组、另一个是一维数组的情况，极端情况下会影响r2_score的计算结果。

负R²的实际含义 #

当前模型完全不具备预测价值，哪怕视觉上拟合效果符合预期，也属于模型失效的情况，无法用于实际落地。 #

快速排查方案 #

1. 输出前10组Y_test和Y_hat的实际数值，直接对比量级差，就能快速定位是不是归一化的问题
2. 对预测结果做对应特征的反归一化，转回原始收盘价量级后再重新计算R²
3. 手动计算朴素基准的MSE：将np.mean(Y_test)作为所有样本的预测值计算MSE，和你模型输出的MSE对比，如果模型MSE更高，说明确实是模型拟合效果未达基准要求。

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