Machine learning 低R2但高MAPE

我目前正在做一个项目，我必须解决一个基于回归的问题。我基本上必须尝试不同的模型，并比较每一个模型的准确性。到目前为止，我已经尝试过决策树、随机林和Bagging。目前，我正在尝试ANN的。我用来评估模型性能的指标是R2分数、RMSE和MAPE。对于前3款车型，我得到的结果是：
决策树：
R2:0.608
RMSE:11.640681667132872
MAPE:78.73%

装袋：
R2:0.752
RMSE:9.193
MAPE:78.46%

随机林：
R2:0.726
RMSE:9.731
MAPE:78.27%

然而，对于ANN，我得到的结果确实令人困惑。
R2:0.264
RMSE:12.034
MAPE:88.73%

正如您所看到的，尽管与其他模型相比R2分数非常低，但MAPE的准确度却出人意料地高。有人能告诉我为什么会发生这种情况吗？

我用于计算MAPE精度的代码是：

#Function to calculate MAPE accuracy
def evaluate(model, test_features, test_labels):
    predictions = model.predict(test_features)
    errors = abs(predictions - test_labels)
    mape = 100 * np.mean(errors / test_labels)
    accuracy = 100 - mape
    print('Model Performance')
    print('Average Error: {:0.4f} degrees.'.format(np.mean(errors)))
    print('Accuracy = {:0.2f}%.'.format(accuracy))

    return accuracy

另外，我正在使用“保持”评估方法。

看一看，看一看