为何在cross_val_score前加负号而非直接使用cross_val_score？

这个设计是scikit-learn为了统一所有评分指标的判断逻辑做的约定：

• scikit-learn中所有内置的交叉验证评分指标，都遵循数值越大，模型效果越好的统一规则，方便框架层面统一做模型排序、超参数搜索等逻辑
• 平均绝对误差（MAE）、均方误差（MSE）这类误差类指标，本身的特性是数值越小，模型预测精度越高，和上述统一规则方向相反

为了适配统一规则，scikit-learn为这类误差指标提供了对应的负向版本，也就是你代码里用到的neg_mean_absolute_error，它的计算逻辑是直接返回 -(真实MAE值)，这样就符合「得分越高效果越好」的要求。

对应你给出的代码：

cv_mae = -cross_val_score(lm,
                         x_train,y_train,
                         cv=10,
                         scoring='neg_mean_absolute_error')

当你指定scoring='neg_mean_absolute_error'时，cross_val_score返回的每折验证结果都是负的MAE值。如果你需要得到符合日常使用习惯的真实MAE数值，只需要对返回结果再取一次负即可，负负得正后得到的就是我们需要的实际误差值。

如果省略这个负号，你拿到的结果会是负数的MAE，既不符合常规的误差指标使用习惯，也很容易在后续模型效果对比时搞反好坏判断的方向。

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