Sklearn Python VS MLmetrics R中的Rsquared

Question

我已经训练了一些回归模型（Lasso、随机森林和 SVR）。我尝试在 Python 和 R 中评估我的结果。在 python 中，Sklearn 显示了使用的 Rsquared 数学公式，而 R 中的包 MLmetrics 没有显示使用的公式。你知道我在哪里可以找到这些信息吗？两种语言的结果不同，我想了解原因。我正在用 python 对我的时间序列进行滚动训练，然后我使用 python 和 R 评估我的结果。以下是 Rsquared 提前一个月到 4 个月预测的差异——对于 python：0.136、0.021、-0.164，- 0.173 - 对于 R： 0.570, 0.536, 0.457, 0.450 。我的直觉是，R 的数学公式只给出 0 到 1 之间的值。提前谢谢你。

Answer 1

要长时间输入作为评论，两个计算都是正确的，

来自mlmetrics：

R2_Score <- function(y_pred, y_true) {
  R2_Score <- 1 - sum((y_true - y_pred)^2) / sum((y_true - mean(y_true))^2)
  return(R2_Score)
}

y_true = c(3, -0.5, 2, 7)
y_pred = c(2.5, 0.0, 2, 8)

R2_Score(y_pred,y_true)
[1] 0.94860816

来自sklearn

numerator = (weight * (y_true - y_pred) ** 2).sum(axis=0,
                                                      dtype=np.float64)
denominator = (weight * (y_true - np.average(
        y_true, axis=0, weights=sample_weight)) ** 2).sum(axis=0,
                                                          dtype=np.float64)
nonzero_denominator = denominator != 0
nonzero_numerator = numerator != 0
valid_score = nonzero_denominator & nonzero_numerator
output_scores = np.ones([y_true.shape[2]])
output_scores[valid_score] = 1 - (numerator[valid_score] /
                                      denominator[valid_score])

如果我们运行它：

from sklearn.metrics import r2_score
y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]
r2_score(y_true, y_pred)

0.9486081370449679