python-3.x - 线性回归决定系数背后的直觉

Question

这是我的代码片段:

from sklearn.linear_model import LinearRegression

reg = LinearRegression()
reg.fit(feature_train,target_train)
print(reg.coef_)
print(reg.intercept_,reg.score(feature_test,target_test))

P.S:如果我对 reg.score() 的理解有误，请纠正我。

我对最后一条语句 reg.score() 有疑问。我知道这个分数越大，模型就越好，而且这是 r 平方值。

r 平方值:据我所知，它表示 X 的变化可以解释 Y 值的变化量。因此它的值必须在 0 到 1 之间。

但是当我运行它时，我得到的值约为 -1.4，小于
0.我不明白为什么会发生这种情况。请解释一下，如果它可以取负值，这个负值意味着什么。

Answer 1

But when I am running it, I am getting value around -1.4 which is less than 0. I am not getting why this is happening.

adjusted R-squared 可能会发生这种情况。解释是这样的:与在实际值的平均值处水平绘制的直线相比，您的一组预测值在预测实际值方面做得更差。这就是 sklearn 文档中提到的内容，当它们指出拟合模型“可能会任意更差”时。