为啥是负数（MSE 或 MAS）评分参数（如 SKLEARN 中的 neg_mean_absolute_error）被考虑用于回归模型评估

Posted 2023-03-12

【中文标题】为啥是负数（MSE 或 MAS）评分参数（如 SKLEARN 中的 neg_mean_absolute_error）被考虑用于回归模型评估

【英文标题】：Why is negative (MSE or MAS) Scoring parameter like- neg_mean_absolute_error in SKLEARN is considered for regression model evaluation为什么是负数（MSE 或 MAS）评分参数（如 SKLEARN 中的 neg_mean_absolute_error）被考虑用于回归模型评估

【发布时间】：2020-09-19 08:49:05

【问题描述】：

我是机器学习的新手，在学习过程中我遇到了“评分参数”。我理解回归模型评估，我们考虑了均方误差、平均绝对误差等的负值。

当我想知道原因时，我浏览了 SKLearn 文档，其中说“所有记分器对象都遵循较高返回值优于较低返回值的约定。因此，衡量模型和数据之间距离的指标，例如metrics.mean_squared_error，作为 neg_mean_squared_error 可用，它返回指标的否定值。"

这个解释没有完全回答我的原因，我很困惑。那么，为什么要更多地采用负数，因为从逻辑上讲，如果预测的差异无论是 -ve 还是 +ve 都更高，这会使我们的模型同样糟糕。那为什么评分参数会关注负差异呢？

【参考方案1】：

我认为您对neg_mean_absolute_error (NMAE) 的理解方式存在轻微误解。 neg_mean_absolute_error的计算方式如下：

其中N 是数据点的总数，Y_i 是真实值，Y_i^p 是预测值。

如果模型预测的值高于或低于真实值，我们仍然会对其进行同样的惩罚，但这只是我们将最终结果乘以 -1 只是为了遵循 sklearn 设置的约定。所以如果一个模型给你一个 MAE 0.55 而另一个模型给你一个 MAE 0.78，它们的 NMAE 值将被翻转为 -0.55 和 -0.78 并遵循越高越好的约定，我们选择前一个模型，其结果具有更高的NMAE 和-0.55。

您可以为 MSE 提出类似的论点。

【参考方案2】：

很简单：最小化 MSE 等同于最大化负 MSE。

得分者可以最大化的目标函数就是按照 Sklearn 文档所建议的“惯例”。