我正在研究多元线性回归问题，并通过R ^ 2，MAE和cross_val_score（）评估其性能。我有一个feature_set，大小为（1565,334），y1为大小（1565,1）。这是我的代码：
mreg = LinearRegression()
mreg.fit(x_train,y_train)
mlr_y_predict = mreg.predict(x_test)
from sklearn.model_selection import cross_val_score
from sklearn import metrics
mae_mlr = metrics.mean_absolute_error(y_test, mlr_y_predict)
r2_mlr = metrics.r2_score(y_test,mlr_y_predict)
cvs = cross_val_score(mreg,feature_set,y1,cv=10)
print("Accuracy: %0.2f (+/- %0.2f)" % (cvs.mean(), cvs.std() * 2))
结果：
R^2: 0.9965384981365643
MAE: 3.479652627390258
Accuracy: -71566695397566744.00 (+/- 352467332828473856.00)
为什么对cross_val_score（）会得到这样的负值？这是否意味着模型不好？
最佳答案
统一评分API还可以最大程度地提高性能，从而消除需要最小化的分数才能使统一评分API正常运行。因此，当返回的分数是应该最小化的分数时取反，如果它是应该最大化的分数则保持正数。