cross_val_score中的neg_mean_absolute_error

cross_val_score中的neg_mean_absolute_error是指使用K折交叉验证计算模型的平均绝对误差（MAE）的相反数。在K折交叉验证中，将数据集分成K份，依次使用其中的K-1份作为训练集，剩余的1份作为验证集，计算模型在验证集上的MAE。重复K次这个过程，将K个MAE求平均值作为模型的性能指标，因为MAE越小模型的性能越好，所以在计算过程中取相反数得到neg_mean_absolute_error。

相关问题

cross_val_score中scoring可以有哪些

在sklearn中，cross_val_score()函数中的scoring参数可以接受多种不同的评分指标。具体来说，可以使用以下常见评分指标：

1. 回归问题：

- 'explained_variance'：解释方差得分
- 'neg_mean_absolute_error'：负平均绝对误差
- 'neg_mean_squared_error'：负平均平方误差
- 'neg_mean_squared_log_error'：负平均对数误差
- 'neg_median_absolute_error'：负中位数绝对误差
- 'r2'：R^2得分

2. 分类问题：

- 'accuracy'：准确率
- 'balanced_accuracy'：平衡准确率
- 'f1'：F1得分
- 'f1_macro'：宏平均F1得分
- 'f1_micro'：微平均F1得分
- 'f1_weighted'：加权平均F1得分
- 'precision'：精确率
- 'recall'：召回率
- 'roc_auc'：ROC曲线下面积得分

除此之外，也可以使用自定义的评分函数作为scoring参数。

cross_val_score用于回归指标

是的，cross_val_score函数可以用于回归任务。在回归任务中，我们通常使用回归指标来评估模型的性能，包括均方误差（mean squared error）、均方根误差（root mean squared error）、平均绝对误差（mean absolute error）等。在使用cross_val_score函数时，我们可以通过指定scoring参数来选择不同的回归指标进行评估。例如，如果我们想使用均方误差作为评估指标，则可以将scoring参数设置为'mean_squared_error'。下面是一个使用cross_val_score函数进行回归任务的示例代码：

from sklearn.datasets import load_boston
from sklearn.model_selection import cross_val_score
from sklearn.linear_model import LinearRegression

# 加载波士顿房价数据集
boston = load_boston()

# 构建线性回归模型
lr = LinearRegression()

# 使用cross_val_score函数进行交叉验证
scores = cross_val_score(lr, boston.data, boston.target, cv=5, scoring='neg_mean_squared_error')

# 输出均方误差的平均值和标准差
print('MSE:', -scores.mean())
print('MSE std:', scores.std())

在上述代码中，我们使用波士顿房价数据集构建了一个线性回归模型，并使用cross_val_score函数进行了5折交叉验证。评估指标为均方误差，输出了均方误差的平均值和标准差。