R²和RMSE必须联合评估：R²高但RMSE大说明存在离群误差，RMSE小但R²为负表明模型不如均值预测；二者量纲与敏感性不同，单独使用易误判模型真实性能。
R² 和 RMSE 必须一起看，单看一个容易误判模型好坏——R² 高但 RMSE 很大，说明存在个别离群预测；RMSE 小但 R² 为负，说明模型连均值都不如。
为什么不能只信 r2_score 的数值
R² 的基准线是「用 y_true 均值作预测」，所以它本质是在回答：「我的模型比瞎猜均值强多少？」
- 当
y_true全相等（比如全是 5.0），r2_score会返回-inf，不是报错，容易漏掉数据异常 - R² = 0.95 看着很好，但如果真实值集中在 [100, 102]，而预测值偏差常达 ±15，RMSE 就会暴露问题
- R² 可小于 0：只要模型误差平方和 > y_true 方差，就说明模型比直接输出均值还差
- 多维输出时，默认
multioutput='uniform_average'，但若各目标量纲差异大（比如温度 vs 价格），应改用'variance_weighted'
怎么正确调用 mean_squared_error 得到 RMSE
别手写 np.sqrt(mean_squared_error(...)) 前忘了 squared=False —— 这是 scikit-learn 0.22+ 才支持的参数，老版本必须手动开方。
-
mean_squared_error(y_true, y_pred, squared=False)直接返回 RMSE，推荐优先用这个 - 如果用旧版 sklearn 或需要兼容，必须写成
np.sqrt(mean_squared_error(y_true, y_pred))，不能漏np.sqrt -
y_true和y_pred必须 shape 一致：一维数组、列向量（(n, 1)）或行向量（(1, n)）都行，但混用会静默出错 - 传入 pandas Series 时，务必加
.values.ravel()，否则可能因索引对齐导致意外结果
R² 和 RMSE 在什么场景下会打架
两者量纲和解释逻辑不同，冲突常见于三类情况：
- 数据含少量极端离群点：R² 因分母含总方差被拉低，但 RMSE 对单个大误差敏感，也会飙升
- 预测整体偏移但波动小：比如所有
y_pred = y_true + 10，R² 仍是 1.0（完全线性相关），RMSE 却恒为 10 - 训练集过拟合、验证集分布偏移：R² 在训练集上虚高，RMSE 在验证集上明显变差，这时要查
model.score(X_train, y_train)vsr2_score(y_val, y_val_pred)
真正关键的不是数字本身多好看，而是 R² 和 RMSE 是否在训练/验证/测试三套数据上变化趋势一致。不一致时，优先排查数据泄露、特征缩放不统一或目标变量未做 log 处理等底层问题。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
