我正在尝试在我的随机森林回归中使用 cross_val_score 但分数很奇怪

如何解决我正在尝试在我的随机森林回归中使用 cross_val_score 但分数很奇怪

我在 python 中使用随机森林来解决我的回归问题。我有相当大的数据（5 个特征，1 个目标，9387 个数据集）。

起初，为了获得准确度，我使用了带有 train_test_split 和 metrics.r2_score 的简单 RF ​​代码，结果在训练集和测试集上的得分均为 0.9999。后来，我尝试使用 cross_val_score 和 5 折来执行交叉验证。这给了我 5 个数字（见下文），我发现其中一些作为交叉验证的分数很奇怪。

[-1.44202691 0.25338018 0.70433516 0.98278159 -3.34943088]

是否真的有可能出现负准确率，或者我的编码方式有什么问题？ 我仍然是编码和 python 的新手，所以请耐心等待。你可以在下面看到我的代码。

import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestRegressor
import csv
from sklearn.model_selection import cross_val_score,train_test_split
from statistics import mean

data = pd.read_csv("Size1.csv",sep=",")

data = data[["X","Y","Z","Tilt_C","Tilt_A","Radiation_C"]]
predict = "Radiation_C"

A = np.array(data.drop([predict],1))
B = np.array(data[predict])

# Split data for Train and Test
a_train,a_test,b_train,b_test = train_test_split(A,B,test_size=0.25)


# Fitting Random Forest Regression to the dataset

# create regressor object
rf = RandomForestRegressor(random_state=42)

# fit the regressor with A and B data
rf.fit(a_train,b_train)


# Calculate accuracy
b_pred = rf.predict(a_test)
print('R^2:',metrics.r2_score(b_test,b_pred))


# Perform Cross Validation & scores
scores = cross_val_score(rf,A,cv=5)
print(scores)
print("Mean: ",mean(scores))