好问题！刚好在时间序列回归场景中，随机森林的特性和传统线性模型（比如线性回归、ARIMA）有不少区别，我来拆解一下你的两个疑问：

一、随机森林增加预测变量时，样本外$R^2$是否一定会提升？ #

先对比你提到的线性回归/ARIMA：这类模型里，不管新增的特征有没有实际预测价值，样本内的$R^{2$都会上升（因为模型会拟合数据中的噪声），但**样本外**的$R}2$不一定。而随机森林的表现完全不同：

• 如果新增的是有实际预测价值的特征（比如时间序列里的滞后项、滚动均值/方差、季节虚拟变量，或者和目标变量强相关的协变量），样本外$R^2$大概率会提升——因为随机森林能捕捉线性和非线性的复杂关系，这些特征能帮模型更精准地学习数据的真实模式。
• 如果新增的是无关的随机特征，样本外$R^2$通常不会上升，甚至可能轻微下降：随机森林有内置的正则化机制（比如每棵树随机采样特征、限制树深），冗余特征会分散模型的注意力，尤其是当特征数量远多于有用特征时，反而可能降低模型的泛化效率。
• 额外提醒：时间序列场景下一定要避免未来数据泄露——比如用预测时间点之后的数据当作特征，这会导致训练时$R^2$极高，但样本外完全失效，这点不管用什么模型都要警惕。

二、样本外$R^2$要不要换成MAPE这类指标？ #

不用完全替换，建议结合多个指标评估，因为不同指标能反映模型的不同侧面：

• **样本外$R^{2$**：依然有很高的价值，它能告诉你模型解释了测试集方差的比例，对比训练集$R}2$还能快速判断模型是否过拟合（如果训练$R^{2$远高于测试$R}2$，大概率存在过拟合）。但它的缺点是对异常值比较敏感，当目标变量波动极大时，$R^2$的直观解释性会下降。
• MAPE（平均绝对百分比误差）：适合需要直观理解误差比例的场景（比如业务方想知道预测偏差了百分之多少），但它有个致命局限：当真实值接近0时，MAPE会趋近于无穷大，这时候就不能用。另外，MAPE对低估和高估的惩罚是不对称的，比如低估10%和高估10%的计算结果影响不一样。
• 其他更适合时间序列的指标：
  • MAE（平均绝对误差）：稳健性强，不受极端值影响，反映预测值和真实值的平均绝对偏差，适合关注整体平均误差的场景。
  • RMSE（均方根误差）：对大误差更敏感，适合需要控制极端偏差的场景（比如大误差会带来严重业务损失的情况）。
  • MASE（平均绝对缩放误差）：专门针对时间序列设计的指标，它将模型误差和简单基准模型（比如 naive 预测，即用前一个时间点的值预测当前）的误差做对比，能直观体现模型比“最简单的猜测”好多少，非常适合时间序列场景。

总结下来：样本外$R^2$可以保留作为核心指标之一，同时搭配MAE/RMSE（看绝对误差水平）和MASE（看相对基准模型的提升），如果数据符合条件（真实值不为0），再加上MAPE看相对误差比例，这样能更全面地评估模型的实际性能。

内容的提问来源于stack exchange，提问作者user2253546