python线性回归的置信度小于0

Question

我的股价 df2[x] 为 Y：

2018-09-05    6.22
2018-09-06    6.19
2018-09-07    6.22
2018-09-10    6.24
2018-09-11    6.24

...

2018-12-05    4.65
2018-12-14    0.00

空仓 csvReader5[x] as X:

2018-09-06    1.11
2018-09-07    1.04
2018-09-10    1.61
2018-09-11    1.52
2018-09-12    1.61

..
2018-12-05    0.98
2018-12-14    7.00

这是我计算置信度的代码

 y = numpy.array(csvReader5[x]).reshape(-1,1)
 X=numpy.array(df2[x]).reshape(-1,1)
 X = preprocessing.scale(X)

 X_train, X_test, y_train, y_test = cross_validation.train_test_split(X, y, test_size=0.2)
 clf = LinearRegression()
 clf.fit(X_train, y_train)
 confidence = clf.score(X_test, y_test)
Out :-1.08

每次运行时我得到的置信度都会发生变化，它总是小于 1。我认为置信度与 R 平方相同，因此应该始终在 (0,1) 之间？

Answer 1

来自 sklearn 文档：

score(X, y, sample_weight=None)

返回预测的决定系数 R^2。

系数R^2 定义为(1 - u/v)，其中u 是残差平方和((y_true - y_pred) ** 2).sum()，v 是平方总和((y_true - y_true.mean()) ** 2).sum()。最好的分数是 1.0，它可以是负数（因为模型可以任意变差）。始终预测 y 的期望值的常量模型，不考虑输入特征，将获得 0.0 的 R^2 分数。