mean_squared_error默认返回mse而非rmse，因mse是平方误差均值，单位为目标变量平方，数值偏大；设squared=false可直接得rmse（sklearn≥1.2）。
为什么 mean_squared_error 默认不返回平方根？
很多人调用 mean_squared_error 后发现结果比预期大，误以为是模型很差——其实它默认计算的是 MSE（均方误差），不是 RMSE。MSE 本身单位是目标变量的平方，数值上天然偏大，直接看容易误判。
实操建议：
- 若需 RMSE（更直观的误差尺度），手动开方：
np.sqrt(mean_squared_error(y_true, y_pred)) - 注意
mean_squared_error的squared参数：设为False可直接返回 RMSE（scikit-learn ≥ 1.2） - 训练时用 MSE 没问题，但汇报或对比模型时，RMSE 或 MAE 更易解释
r2_score 为何可能为负？它真在“衡量拟合好坏”吗？
r2_score 不是准确率，也不是百分比。它的定义是 1 - (SS_res / SS_tot)，分母是均值基准的离差平方和。当模型连均值都不如（即预测比全用 y.mean() 还差），SS_res > SS_tot，结果就为负。
常见负 R² 场景：
- 模型严重过拟合训练集，但在测试集上崩塌
- 训练/测试数据分布不一致（比如时间序列未做正确切分）
- 目标变量存在强异常值，而模型未鲁棒处理
- 使用了不支持截距的线性模型（如
LinearRegression(fit_intercept=False)）且数据均值非零
用 cross_val_score 评估时，MSE 和 R² 的符号陷阱
scikit-learn 的 cross_val_score 默认对回归任务使用 r2 作为评分标准，但若你传入 'neg_mean_squared_error'，它返回的是**负的 MSE**——这是为了统一“越大越好”的接口逻辑。不留意这点，会把 -3.2 当成很差的分数，其实对应 MSE = 3.2。
关键操作：
- 查文档确认评分器名称：
'neg_mean_squared_error'、'neg_root_mean_squared_error'、'r2' - 若用 MSE 类指标，记得取负号还原：
-scores.mean() - 避免混用：不要拿
r2_score输出和cross_val_score(..., scoring='neg_mse')输出直接比较数值大小
真实项目中该优先盯哪个指标？
没有万能答案。R² 对异常值敏感，MSE 对大误差惩罚过重。业务目标决定优先级：
- 关注预测偏差是否系统性偏离（比如销售预估不能持续低估）→ 看
mean_absolute_error+ 残差分布图 - 上线模型被要求“90% 预测误差小于 ±5 元” → 直接算分位数误差，别只看 MSE/R²
- 集成多个模型做加权融合 → MSE 更适合做损失函数，因可导、对称
- R² 接近 1 但测试集 MSE 突然飙升 → 很可能只是训练集过拟合，R² 在该场景下有欺骗性
真正难的从来不是算出两个数字，而是理解它们在当前数据分布和业务约束下的含义。
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！
