XGBRegressor score方法返回值异常：与sklearn r2_score结果不符

这个问题我碰到过，核心原因大概率是你调用sklearn的r2_score时参数顺序搞反了，再结合XGBoost v0.7版本的接口细节，给你拆解下：

1. 最直接的问题：参数顺序完全搞反了 #

sklearn的r2_score要求第一个参数是真实值（y_true），第二个是预测值（y_pred），但你写的是r2_score(y_pred, y_test)，这直接颠倒了计算逻辑。

标准R²的计算公式是：

$R^2 = 1 - \frac{\sum (y_{true} - y_{pred})^2}{\sum (y_{true} - \bar{y}_{true})^2}$

如果参数反着传，计算的就变成了：

$1 - \frac{\sum (y_{pred} - y_{true})^2}{\sum (y_{pred} - \bar{y}_{pred})^2}$

两个公式的分母完全不同，结果自然会有明显差距。你只需要把调用改成r2_score(y_test, y_pred)，应该就能得到和xgbr.score(x_test, y_test)接近的结果。

2. XGBoost v0.7版本score方法的行为 #

在v0.7版本中，XGBRegressor的score方法是完全兼容sklearn接口的，它默认计算的就是R²分数，内部逻辑其实就是调用predict得到预测值，再用正确的参数顺序调用sklearn的r2_score计算结果。所以只要你手动调用时参数正确，结果应该一致。

3. 其他可能的影响因素 #

如果纠正参数顺序后结果还是有差异，那要考虑这几点：

• 样本权重：如果训练XGBRegressor时使用了sample_weight参数，那么调用score时需要传入测试集对应的sample_weight（xgbr.score(x_test, y_test, sample_weight=test_weights)），手动计算r2_score时也要加上这个参数，否则两边的计算会因为权重不一致产生差异。
• 数值精度：极端情况下，浮点数计算的微小误差可能导致结果有极细微的差别，但不会像你遇到的0.917 vs 0.903这么大，所以这个可能性很低。

快速验证步骤 #

1. 先修正r2_score的调用顺序：

   r2_score(y_test, y_pred)  # 注意y_test在前，y_pred在后
   

2. 如果训练时用了样本权重，补充权重参数：

   # 假设你有测试集的权重test_sample_weight
   xgbr.score(x_test, y_test, sample_weight=test_sample_weight)
   r2_score(y_test, y_pred, sample_weight=test_sample_weight)
   

另外，XGBoost v0.7确实是比较老的版本了，官方文档当时也不够完善，建议如果条件允许的话升级到较新的稳定版本，不仅文档更全，接口行为也更贴合sklearn的规范。

内容的提问来源于stack exchange，提问作者i712345