sklearn的neg_mean_squared_error解读及Ridge回归调参疑问

首先明确结论：你查阅资料提到的「越小越好」是针对原始均方误差（MSE）的规则，而你调用scoring='neg_mean_squared_error'得到的负数值，越接近0、绝对值越小代表模型效果越好，也就是你可以直接取交叉验证得分均值最大的那组alpha作为最优参数。
具体逻辑如下：

• scikit-learn的模型评估体系默认遵循「得分越高，模型效果越好」的统一规则，对于MSE这类本身是损失值、数值越小效果越好的指标，框架会自动添加负号转为负向损失，适配统一的排序逻辑。
• 原始MSE的取值范围为[0, +∞)，值越小拟合误差越低；取反后的neg_mean_squared_error取值范围为(-∞, 0]，对应的规律就变为数值越大（越接近0），原始MSE越小，模型效果越好。

额外补充：如果你更习惯看正的MSE值做判断，可以对cross_val_score返回的每个结果加负号转为正的MSE，再取均值找最小值对应的alpha即可，两种方式得到的最优alpha是完全一致的。

内容的提问来源于stack exchange，提问作者Josh.h