Python 为什么SKLEARN中的负（MSE或MAS）评分参数如-neg_mean_absolute_error被考虑用于回归模型评估

我是机器学习的新手，在学习过程中，我遇到了评分参数。在回归模型评价中，我们考虑了均方误差、平均绝对误差等的否定性。 当我想知道原因时，我查阅了SKLearn文档，其中说所有scorer对象都遵循较高返回值比较低返回值更好的惯例。因此，度量模型和数据之间距离的度量，如metrics.mean_squared_error，可以作为neg_mean_squared_error使用，它返回度量的负值

---

这个解释不能完全回答我的问题，我感到困惑。那么，为什么要更多地采用否定，因为从逻辑上讲，如果预测的差异更大，无论是-ve还是+ve，都会使我们的模型同样糟糕。那么为什么评分参数集中在负差异上呢？

很简单：最小化均方误差等于最大化负均方误差

---

正如Sklearn文档所建议的那样，记分员可以最大化的目标函数只是按照惯例。

很简单：最小化MSE等同于最大化负MSE

---

正如Sklearn文档所建议的那样，记分员可以最大化的目标函数只是按照惯例。

我认为在您理解负平均值绝对误差NMAE的方式上有一点误解。负平均绝对误差的计算方法如下：

其中N是数据点的总数，Y_i是真值，Y_i^p是预测值

尽管如此，如果模型预测的值高于或低于真实值，我们同样会对其进行惩罚，但我们只是将最终结果乘以-1，以遵循sklearn设定的惯例。因此，如果一个模型给出的MAE值为0.55，另一个模型给出的MAE值为0.78，那么它们的NMAE值将被翻转为-0.55和-0.78，通过遵循越高越好的惯例，我们选择前一个模型，其结果是NMAE值越高，为-0.55

您可以对MSE进行类似的论证

---

希望这有帮助

我认为你对负均值绝对误差NMAE的理解有点误解。负平均绝对误差的计算方法如下：

其中N是数据点的总数，Y_i是真值，Y_i^p是预测值

尽管如此，如果模型预测的值高于或低于真实值，我们同样会对其进行惩罚，但我们只是将最终结果乘以-1，以遵循sklearn设定的惯例。因此，如果一个模型给出的MAE值为0.55，另一个模型给出的MAE值为0.78，那么它们的NMAE值将被翻转为-0.55和-0.78，通过遵循越高越好的惯例，我们选择前一个模型，其结果是NMAE值越高，为-0.55

您可以对MSE进行类似的论证

希望这有帮助