关于SKLearn中neg_root_mean_squared_error在RFECV中的评分疑问

• 你看到的正数评分和你设置的neg_root_mean_squared_error没有关联：你传入RFECV的scoring参数仅用于交叉验证过程中筛选最优特征子集，调用rfe.score(X_train, y_train)实际执行的是你传入的基回归器的默认评分逻辑。scikit-learn中所有内置回归器的默认评分指标为决定系数R²，取值范围为(-∞, 1]，拟合效果越好得分越接近1，因此返回正数属于正常情况。
• 现有评分的判断标准：如果你没有修改过基回归器的默认评分逻辑，当前得到的R²得分数值越大代表模型效果越好，和负RMSE的判断逻辑完全相反。
• 如果你需要用neg_root_mean_squared_error评估最终模型效果，可以用以下两种方式实现：
  • 手动计算RMSE：

    from sklearn.metrics import mean_squared_error
    y_pred = rfe.predict(X_train)
    # 得到RMSE，数值越小效果越好
    rmse = mean_squared_error(y_train, y_pred, squared=False)
    

  • 直接调用对应评分器计算：

    from sklearn.metrics import get_scorer
    scorer = get_scorer("neg_root_mean_squared_error")
    # 得到负RMSE，数值越大（越接近0）效果越好
    neg_rmse = scorer(rfe, X_train, y_train)
    

内容的提问来源于stack exchange，提问作者wildcat89