Python 管道mlp回归器评分

我正在努力弄清楚当使用

mlprepressor

时，什么是

cross\u val\u score

和pipeline.score返回。我的印象是它返回了

r2

score，但是当我运行

sklearn.metrics.r2_score

时，我收到了一个完全不同的值。 这是我的密码

x_train, x_test, y_train, y_test=train_test_split(x,y,test_size=0.2, random_state=i)
scaler=StandardScaler()
x_train=scaler.fit_transform(x_train)
x_test=scaler.transform(x_test)


mlp=MLPRegressor(activation='relu', solver='lbfgs', hidden_layer_sizes=(6,6,6), max_iter=10000, learning_rate_init=0.001)
pipeline=Pipeline([('transformer',scaler),('estimator',mlp)])
pipeline.fit(x,y)
cv=KFold(n_splits=3)
scorescrossval=cross_val_score(pipeline,x_test,y_test,cv=cv)
print('scores cross val',scorescrossval)
print('accuracy: %0.2f (+/- %0.2f)'%(scorescrossval.mean(),scorescrossval.std()*2))
print('pipeline score',pipeline.score(x_test,y_test))

mlp.fit(x_train,y_train)
predictions=mlp.predict(x_test)
RTWO=sklearn.metrics.r2_score(y_test,predictions)

这就给了,

scores cross val [0.97435245 0.96969591 0.98333161]
accuracy: 0.98 (+/- 0.01)
pipeline score -0.7028296099215846
RTWO -5.735668230366273

---

我努力想知道应该信任哪种价值观，并确定它们的含义。感谢您的帮助

这些分数不具有可比性，因为每次使用不同的数据学习模型

让我们将代码分为三部分：

(一)

(二)

(三)

代码3很容易分离

在我看来，有一件事是你误解了

cross\u val\u分数

这只是测试，而不是从数据中学习，但事实并非如此

cross_val_score

将根据提供的

cv

对提供的数据进行分割，并对模型进行多次训练，并报告剩余数据的分数。因此，您的

x_测试

和

y_测试

将分为3个折叠，每个折叠将根据其他折叠的学习测试一次。所以你会得到3分

另外，对于代码1和代码2，我可以像上面一样更改顺序，因为

cross_val_score

将使用

pipeline

对象的克隆来学习数据并报告分数。因此，原始的

管道

未被触动

现在你能理解这些不同分数背后的原因吗

更新以获取评论：

在代码1中，对整个未缩放数据拟合管道，然后对相同数据的缩放部分进行测试。所以分数应该更高一些。但你得到的是-0.7028

这是因为，

x_test

是

x

的一部分，但是已经进行了缩放，并且

管道。score

将再次缩放它，这是错误的

代码2接近正确。但它只使用了0.2%的数据，而且已经超出了导致数据泄漏的

交叉评分。所以分数很高

代码3似乎也正确。在这种情况下，
RTWO
应该与
mlp.score（x\u测试，y\u测试）
的输出相匹配。现在，为什么它这么低是另一个问题。
（x\u火车，y\u火车）
谢谢你的回答。我了解如何使用不同的数据，以及如何将数据分割为交叉分数，但我不明白为什么它们如此不同。cross_val的准确度为0.98，这表明模型非常好，但r2_得分为-5，表明模型很糟糕。我如何知道如何给模型打分？谢谢你，你的评论帮了大忙。
mlp.score（x\u-train，y\u-train）
上的分数为0.992，这与
sklearn.metrics.r2\u分数（x\u-train，y\u-train）
at-899978上的分数截然不同！！！
pipeline.fit(x,y)
print('pipeline score',pipeline.score(x_test,y_test))

cv=KFold(n_splits=3)
scorescrossval=cross_val_score(pipeline,x_test,y_test,cv=cv)
print('scores cross val',scorescrossval)
print('accuracy: %0.2f (+/- %0.2f)'%(scorescrossval.mean(),scorescrossval.std()*2))

mlp.fit(x_train,y_train)
predictions=mlp.predict(x_test)
RTWO=sklearn.metrics.r2_score(y_test,predictions)