MLPRegressor дает очень отрицательные оценки

Я новичок в машинном обучении и использую MLPRegressor. Я разделяю свои данные с

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

затем я создаю и подгоняю модель, используя 10-кратную проверку для набора тестов.

nn = MLPRegressor(hidden_layer_sizes=(100, 100), activation='relu',
                     solver='lbfgs', max_iter=500)

nn.fit(X_train, y_train)

TrainScore = nn.score(X_train, y_train)

kfold = KFold(n_splits=10, shuffle=True, random_state=0)
        print("Cross-validation scores:\t{} ".format(cross_val_score(nn, X_test, y_test, cv=kfold)))
        av_corss_val_score = np.mean(cross_val_score(nn, X_test, y_test, cv=kfold))
        print("The average cross validation score is: {}".format(av_corss_val_score))

Проблема в том, что результаты тестов, которые я получаю, очень отрицательные (-4256). Что может быть не так?


machine-learning scikit-learn mlp
person Don    schedule 06.09.2019    source источник
comment
хорошо, я думаю, что этот тип вопроса задан ранее, проверьте эту ссылку это может вам помочь   -  person Akash Kumar    schedule 06.09.2019

Ответы (1)


arrow_upward
0
arrow_downward

Чтобы синтаксис оставался неизменным, sklearn максимизирует каждую метрику, будь то точность классификации или регрессионная MSE. Следовательно, целевая функция определяется таким образом, что более положительное число - хорошо, а большее отрицательное - плохо. Следовательно, предпочтительна менее отрицательная MSE.

Переходя к тому, почему это может быть настолько негативным в вашем случае, это может быть в основном из-за двух вещей: переобучения или недостаточного подбора. Есть множество ресурсов, которые помогут вам в этом указать вперед.

person brandoldperson    schedule 06.09.2019