Python 3.x Azure机器学习与Python的过拟合/欠拟合机器学习模型

我正在学习如何使用Azure ML Studio执行机器学习。目前，我只使用Python进行了机器学习

我使用Azure ML和Python运行了相同的机器学习项目，以查看每个产品的结果与均方根误差（RMSE）的接近程度。到目前为止，Azure ML和Python的RMSE已经有了很大的不同

我不明白为什么RMSE相距如此之远。我能想到的唯一原因是Python在训练数据上“适合”模型的方式。Python使用以下代码来拟合训练数据

lr = LinearRegression(labelCol='xxxx')
lrModel = lr.fit(train_data)

但是，我不知道Azure ML如何适合培训数据

---

有人能告诉我Azure ML是如何完成训练数据拟合的吗？

我猜你可能使用了RMSE=√（1/n）∑ （y_i-pred_i）^2）要计算python中的RMSE，其中y是真正的标签，pred是线性回归中的预测值

我可以想象Azure使用稍微不同的术语，即RSE=√（1/（n-2）∑ （y_i-pred_i）^2），其中使用贝塞尔校正项1/（n-2）。这用于校正拟合2个参数的偏差（假设线性回归仅拟合斜率和截距，否则在多元线性回归中拟合k个参数时，1/（n-k）是贝塞尔校正）

---

试试看！然而，我无法解释为什么python和Azure之间的差异如此之大，因为贝塞尔的修正项应该只会产生很小的差异。

也许在Azure中RMSE的计算方式也不同。@LucAs，感谢您的联系。这正是我希望有人能够告诉我的，以及Azure如何将数据拟合到培训模型？不幸的是，我不知道Azure如何拟合模型，但我为您发布了一个想法，Azure可能会计算RSE，而不是RMSE@Luz作为，在这里可以找到用于该项目的python，我在Azure ML中使用了相同的项目。在python方法中，我得到了0.890179的RMSE，而在Azure ML中，我得到了2.09的RMSE。我能想到的唯一一件事是，为什么它们相距如此之远，是因为它们将训练数据拟合到模型的方式不同，但这并不难说。。我猜这不是因为Azure与模型的匹配不同，我猜是某个地方的输入错误或错误？