交叉验证后的逆变换 RMSE 分数

如何解决交叉验证后的逆变换 RMSE 分数

我正在尝试将 sklearn 的 cross_val_score 输出的 rmse 分数重新调整为预测数据的原始单位。我已经使用预测数据和实际数据手动计算了均方根误差，我使用 inverse_transform 重新调整了预测和实际数据之前计算均方根误差。这给了我大约 2.5 的 RMSE。这是对我的测试集的预测。

然后我使用来自 sklearn 的 cross_val_score，其中 cv=10，生成一个按比例缩放的 RMSE 值列表。我想将这些值重新调整回原始单位。当我通过使用 inverse_transform 或通过手动乘以 stdev 并添加平均值来执行此操作时，我得到的值比我之前在测试集上得到的 rmse 大十倍左右，我在计算 rmse 之前在该测试集上进行了 inverse_transformed。我在这里做错了什么？我原以为训练集交叉验证的结果会更低。

我的代码如下：

atts_test 是我预测的测试数据属性

test_set_predictions = forest_reg.predict(atts_test)

#Convert back to original units after using scaled data
test_set_predictions = scaler_labels.inverse_transform(test_set_predictions)
labels_test = scaler_labels.inverse_transform(labels_test)
#Make 1D list
labels_test = labels_test.reshape(-1)

print("Proper units predictions: ")
print(test_set_predictions)
print("Proper units actual: ")
print(well_labels_test)

forest_mse = mean_squared_error(labels_test,test_set_predictions)
print("RMSE: " + str(np.sqrt(forest_mse)))

这给出了 2.58。然后我对训练数据使用 cross_val_score，并尝试对这些 rmse 值使用我的标签缩放器。

from sklearn.model_selection import cross_val_score

scores = cross_val_score(forest_reg,train_atts,np.ravel(train_labels),scoring="neg_mean_squared_error",cv=10)

rmse_scores = np.sqrt(-scores)
print(scaler_labels.inverse_transform(rmse_scores))

这给出了大约 22 的值。我觉得这太高了。