python交叉验证和训练测试分离案例的评估指标值差异很大

编写程序，使用支持向量回归SVR进行预测，首先将数据集拆分为训练数据集和测试数据集，测试数据集的比率为20%（案例1）；其次，使用交叉验证，将数据集分为5组进行预测（案例2），但是，使用相同的评价指标（R2、MAE、MSE）对两种方法进行评价，结果相差很大
计划如下：

dataset = pd.read_csv('Dataset/allGlassStraightThroughTube.csv')
tube_par = dataset.iloc[:, 3:8].values
tube_eff = dataset.iloc[:, -1:].values


# # form train dataset , test dataset
tube_par_X_train, tube_par_X_test, tube_eff_Y_train, tube_eff_Y_test = train_test_split(tube_par, tube_eff, random_state=33, test_size=0.2)

# normalize the data
sc_X = StandardScaler()
sc_Y = StandardScaler()
sc_tube_par_X_train = sc_X.fit_transform(tube_par_X_train)
sc_tube_par_X_test = sc_X.transform(tube_par_X_test)
sc_tube_eff_Y_train = sc_Y.fit_transform(tube_eff_Y_train)
sc_tube_eff_Y_test = sc_Y.transform(tube_eff_Y_test)
# fit rbf SVR to the sc_tube_par_X dataset
support_vector_regressor = SVR(kernel='rbf')
support_vector_regressor.fit(sc_tube_par_X_train, sc_tube_eff_Y_train)
#
# # predict new result according to the sc_tube_par_X Dataset
pre_sc_tube_eff_Y_test = support_vector_regressor.predict(sc_tube_par_X_test)

pre_tube_eff_Y_test = sc_Y.inverse_transform(pre_sc_tube_eff_Y_test)

# calculate the predict quality
print('R2-score value rbf SVR')
print(r2_score(sc_Y.inverse_transform(sc_tube_eff_Y_test), sc_Y.inverse_transform(pre_sc_tube_eff_Y_test)))
print('The mean squared error of rbf SVR is')
print(mean_squared_error(sc_Y.inverse_transform(sc_tube_eff_Y_test), sc_Y.inverse_transform(pre_sc_tube_eff_Y_test)))
print('The mean absolute error of rbf SVR is')
print(mean_absolute_error(sc_Y.inverse_transform(sc_tube_eff_Y_test), sc_Y.inverse_transform(pre_sc_tube_eff_Y_test)))


# normalize
sc_tube_par_X = sc_X.fit_transform(tube_par)
sc_tube_eff_Y = sc_Y.fit_transform(tube_eff)

scoring = ['r2','neg_mean_squared_error', 'neg_mean_absolute_error']
rbf_svr_regressor = SVR(kernel='rbf')
scores = cross_validate(rbf_svr_regressor, sc_tube_par_X, sc_tube_eff_Y, cv=5, scoring=scoring, return_train_score=False)

在案例1中，评价指标输出为：

R2-score value rbf SVR
0.6486074476528559
The mean squared error of rbf SVR is
0.00013501023459497165
The mean absolute error of rbf SVR is
0.007196636233830076

R2-score
0.2621779727614816
test_neg_mean_squared_error
-0.6497292887710239
test_neg_mean_absolute_error
-0.5629408849740231

在案例2中，评估指数输出为：

R2-score value rbf SVR
0.6486074476528559
The mean squared error of rbf SVR is
0.00013501023459497165
The mean absolute error of rbf SVR is
0.007196636233830076

R2-score
0.2621779727614816
test_neg_mean_squared_error
-0.6497292887710239
test_neg_mean_absolute_error
-0.5629408849740231

案例1和案例2之间的差异很大，您能告诉我原因以及如何更正吗

我准备了一个小例子，看看使用交叉验证结果是如何变化的。我建议您尝试在没有种子的情况下分割数据，并查看结果如何变化

您将看到，交叉验证结果几乎是一个常数，与数据分割无关

从sklearn导入数据集
从sklearn.preprocessing导入StandardScaler
从sklearn.model\u选择导入列车测试\u分割、交叉验证
#从sklearn.cross\u验证导入序列测试\u分割
从sklearn.svm导入SVR
从sklearn.linear\u模型导入线性回归
从sklearn.metrics导入r2_分数、均方误差、均方绝对误差
将matplotlib.pyplot作为plt导入
def打印度量（真实、预测）：
#计算预测质量
打印（'R2分数值{:>8.4f}'。格式（R2分数（实际分数，预测分数）））
打印（'均方误差为{:>8.4f}'。格式（均方误差（实际值，预测值）））
打印（'平均绝对误差为{:>8.4f}\n\n'。格式（平均绝对误差（实际误差，预测误差）））
def显示图（真实、预测）：
图，ax=plt.子批次（）
ax.散射（真实、预测、边缘颜色=（0,0,0））
ax.plot（[real_y.min（），real_y.max（）]，[real_y.min（），real_y.max（）]，“k--”，lw=4）
ax.设置标签（“测量”）
ax.set_ylabel（“预测”）
plt.show（）
#数据集加载
boston=datasets.load_boston（）
#数据集信息
#打印（boston.keys（））
#打印（boston.DESCR）
#打印（boston.data.shape）
#打印（波士顿。功能名称）
#numpy_阵列
X=boston.data
Y=boston.target
##形成列车数据集、测试数据集
X_系列，X_测试，Y_系列，Y_测试=系列测试分割（X，Y，测试尺寸=0.2）
#X_序列，X_测试，Y_序列，Y_测试=序列测试分割（X，Y，随机状态=33，测试大小=0.2）
#X_序列，X_测试，Y_序列，Y_测试=序列测试分割（X，Y，随机状态=5，测试大小=0.2）
#适合定标器
sc_X=标准缩放器（）.fit（X_系列）
#标准化X（列车和试验）
X_列=sc_X.变换（X_列）
X_测试=sc_X.变换（X_测试）
######################################################################
###############################SVR##################################
######################################################################
支持向量回归器=SVR（kernel='rbf'）
支持向量回归拟合（X列，Y列）
预测Y=支持向量回归。预测（X检验）
打印度量（预测、Y检验）
显示曲线图（预测曲线，Y曲线测试）
######################################################################
###########################线性回归器#########################
######################################################################
lin_模型=线性回归（）
lin_模型拟合（X_系列、Y_系列）
预测Y=lin模型。预测（X检验）
打印度量（预测、Y检验）
显示曲线图（预测曲线，Y曲线测试）
######################################################################
#########################SVR+交叉验证#####################
######################################################################
sc=标准缩放器（）.fit（X）
标准化_X=sc.transform（X）
得分=['r2'，'neg_平均值平方误差'，'neg_平均值绝对误差']
rbf_svr_回归器=svr（kernel='rbf'）
分数=交叉验证（rbf\u svr\u回归器，标准化的X，Y，cv=10，分数=分数，返回\u训练\u分数=假）
打印（分数[“测试r2”].mean（））
打印（-1*（分数[“测试负均方误差”].mean（））
打印（-1*（分数[“测试负平均值”]。平均值（））