性能良好的模型是否可能R²值偏低？scikit-learn线性回归评估疑问

先明确两个指标的核心差异：

• MSE是绝对误差指标：计算逻辑是预测值与真实值差值的平方均值，数值大小完全由目标变量的量纲和取值范围决定，没有统一的好坏阈值。
• R²是相对拟合指标：计算公式为 R² = 1 - (模型MSE / 基准MSE)，其中基准MSE指直接用训练集目标变量的均值作为所有样本预测值得到的误差，代表的是最简单的无信息预测效果，R²衡量的是你的模型比无信息预测提升了多少。

针对你的两个问题的明确回答 #

• 性能良好的模型不可能出现R²值很低的情况：R²接近0意味着你的模型预测效果和直接猜均值几乎没有区别，完全没捕捉到特征和目标变量之间的规律，本质就是模型拟合效果差。
• 效果较差的模型完全可能出现MSE值很低的情况：你遇到的就是典型场景。按照你给出的数值反推，你的目标变量的基准MSE约为0.0947，说明目标变量本身波动极小，哪怕是随机猜值得到的MSE也不会很高，你的模型MSE只比基准低了不到5%，所以R²只有0.05，本质还是模型效果差，只是因为目标变量本身波动小，才显得MSE数值低。

后续排查建议 #

1. 先拉取训练集和测试集的目标变量分布，计算均值预测的基准MSE，和你模型的MSE做对比，就能直观看到模型的实际提升幅度
2. 如果你的业务只要求预测的绝对误差满足要求，不需要捕捉目标变量的波动规律，那当前的MSE如果符合业务标准可以继续使用；如果需要模型能解释目标变量的变化，当前线性回归模型完全不达标，建议补充特征、尝试非线性模型。

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