Scikit learn 回归得分随着Gridsearch而降低

我是新手，请原谅我的无知。使用GridsearchCV，我试图优化决策树过滤器。参数空间越宽，评分越差

将min_samples_split设置为范围（2,10）会使负均方误差为-0.04。将其设置为范围（2,5）时，分数为-0.004

simple_tree =GridSearchCV(tree.DecisionTreeRegressor(random_state=42), n_jobs=4, param_grid={'min_samples_split': range(2, 10)}, scoring='neg_mean_squared_error', cv=10, refit='neg_mean_squared_error')

simple_tree.fit(x_tr,y_tr).score(x_tr,y_tr)

---

我希望更广泛的网格搜索与不太广泛的网格搜索的得分相等或更高。

你是对的，当有更多参数时，你应该有一个更接近于0的度量。。如果您每次都在比较相同的模型。您提供的代码不是这种情况，因为您没有在决策树中设置

random\u state

参数

---

做决策树累加器（随机状态=42）（或任何整数），你应该会得到更合理的结果。

使用简单的树。最好的分数会给出所有CV折叠的平均最好分数。

非常感谢你的评论。我理解修复随机状态将允许代码的再现性。你能解释一下什么时候不使用固定的随机状态吗？不幸的是，这并不能解决它。设置random_state=42时，我得到-0.004 vs-0.04您是否对两次尝试都重新分配X_train？至于您的第一个问题，您需要小心不要过度使用random_state。我建议仅在您希望确保再现性时使用它，如本例中所示。您的意思是通过设置CV=10来重新分配？是的，我是。