在回归模型评价中，考虑了为什么SKLEARN中的负(MSE或MAS)评分参数类似于- neg_mean_absolute_error。
我是机器学习的新手，在学习过程中遇到了“评分参数”。对于回归模型的评价，我们考虑了均方误差、平均绝对误差等的负面因素。
当我想知道原因时，我查阅了SKLearn文档，其中说：“所有scorer对象都遵循这样的约定:返回值越高，返回值越低。因此，度量模型与数据之间的距离的度量，如metrics.mean_squared_error，可以作为返回度量的负值的neg_mean_squared_error。”
这个解释没有完全回答我的原因，我很困惑。那么，为什么负面效应会更多，因为从逻辑上讲，无论是-ve还是+ve，如果预测的差异更大，那么我们的模型也会同样糟糕。那么，为什么评分参数集中在负差异上呢？
回答 2
Stack Overflow用户
发布于 2020-06-01 12:15:12
我认为在你理解neg_mean_absolute_error (NMAE)的方式上有一个小小的误解。计算neg_mean_absolute_error的方式如下：
其中N是数据点的总数，Y_i是真值，Y_i^p是预测值。
不过，如果模型预测的值高于或低于真实值，我们同样会对其进行惩罚，但我们只是将最终结果与-1相乘，以遵循sklearn所设定的惯例。因此，如果一个模型给你一个MAE，比如说0.55，另一个模型给你一个MAE，比如0.78，它们的NMAE值将被转换为-0.55和-0.78，通过遵循越高越好的惯例，我们选择前者的模型，它的结果具有较高的NMAE of -0.55。
您可以为MSE提出类似的论点。
Stack Overflow用户
发布于 2020-06-01 04:57:01
它很简单:最小化MSE等同于最大化负MSE。
一个目标函数，得分手可以最大限度地是通过“约定”，正如Sklearn文档所建议的。
https://stackoverflow.com/questions/62125674
复制相似问题
腾讯云开发者
