Scikit learn sklearn cross_val_score（）在使用“时返回NaN值”；r2“；作为得分

我正在尝试使用sklearn cross\u val\u score（）。以下是我尝试过的示例：

# loocv evaluate random forest on the housing dataset
from numpy import mean
from numpy import std
from numpy import absolute
from pandas import read_csv
from sklearn.model_selection import LeaveOneOut
from sklearn.model_selection import cross_val_score
from sklearn.ensemble import RandomForestRegressor

# load dataset
url = 'https://raw.githubusercontent.com/jbrownlee/Datasets/master/housing.csv'
dataframe = read_csv(url, header=None)
data = dataframe.values
# split into inputs and outputs
X, y = data[:, :-1], data[:, -1]
print(X.shape, y.shape)

# create loocv procedure
cv = LeaveOneOut()
# create model
model = RandomForestRegressor(random_state=1)

# evaluate model
scores = cross_val_score(model, X, y, scoring='neg_mean_absolute_error', cv=cv, n_jobs=-1)
# force positive
scores = absolute(scores)
# report performance
print('MAE: %.3f (%.3f)' % (mean(scores), std(scores)))

---

上面的代码工作正常，没有任何问题。但是，当我将

scoring

更改为

r2

时，

scores

中的所有值都将变为

nan

问题在于将

LeaveOneOut（）

与

r2

组合使用作为评分函数。将以这样的方式分割数据，即仅一个样本用于测试，其余样本用于培训。问题来了，当你用这个公式计算验证集时：

分母变为零，因为

n=1

（只有一个样本需要验证），所以

y\u bar=y\u i

因为平均值等于您拥有的一个数字，这导致您观察到的

nan

。如果您的

cv=数据点的数量

如下所示，则必然会发生这种情况：

# evaluate model
scores = cross_val_score(model, X[0:10], y[0:10], scoring='r2', cv=10, n_jobs=-1)
# force positive
scores = absolute(scores)
# report performance
print('MAE: %.3f (%.3f)' % (mean(scores), std(scores)))
MAE: nan (nan)

现在，当我为

n

设置一些其他值时，它工作正常：

# evaluate model
scores = cross_val_score(model, X[0:10], y[0:10], scoring='r2', cv=3, n_jobs=-1)
# force positive
scores = absolute(scores)
# report performance
print('MAE: %.3f (%.3f)' % (mean(scores), std(scores)))
MAE: 0.662 (0.229)