正如在此帖子中提到的，调整后的R2分数可以通过以下公式计算，其中n是样本数量，p是模型的参数数量。
adj_r2 = 1-(1-R2)*(n-1)/(n-p-1)根据另一个帖子，我们可以通过model.coef_获取模型的参数数量。
然而，对于梯度提升（GBM）模型，似乎我们无法获得模型中的参数数量：
from sklearn.ensemble import GradientBoostingRegressorimport numpy as npX = np.random.randn(100,10)y = np.random.randn(100,1)model = GradientBoostingRegressor()model.fit(X,y)model.coef_output >>> ---------------------------------------------------------------------------AttributeError Traceback (most recent call last)<ipython-input-3-4650e3f7c16c> in <module>----> 1 model.coef_AttributeError: 'GradientBoostingRegressor' object has no attribute 'coef_'在查看了文档后，似乎GBM由不同的估计器组成。估计器的数量是否等于参数的数量？
但我仍然无法获取每个独立估计器的参数数量
model.estimators_[0][0].coef_output >>> ---------------------------------------------------------------------------AttributeError Traceback (most recent call last)<ipython-input-2-27216ebb4944> in <module>----> 1 model.estimators_[0][0].coef_AttributeError: 'DecisionTreeRegressor' object has no attribute 'coef_'如何计算GBM的调整后R2分数？
回答：
简短回答：不要这样做（请注意，您链接的所有帖子都是关于线性回归的）。
详细回答：
首先，您对以下定义的理解是不正确的：
p是模型的参数数量
p实际上是模型使用的解释变量的数量（来源）。
根据这一定义，您链接的帖子实际上使用的是X.shape[1]而不是model.coef_；后者是在评论中建议的，并且也是不正确的（请参阅那里的我的评论）。
因此，如果您坚持要计算您的GBM模型的R-squared，您可以始终调整链接帖子的代码（在获取您的预测y_pred之后），同时利用scikit-learn的r2_score：
from sklearn.metrics import r2_scorey_pred = model.predict(X)r_squared = r2_score(y, y_pred)adjusted_r_squared = 1 - (1-r_squared)*(len(y)-1)/(len(y)-X.shape[1]-1)但为什么不应该这样做呢？引用我在另一个问题中的回答：
实际上，整个R-squared概念直接来自统计学领域，那里的重点在于解释性模型，而在机器学习环境中，重点显然在于预测性模型；至少据我所知，除了某些非常入门的课程外，我从未（我是说从未…）见过任何使用R-squared进行性能评估的预测建模问题；这也不是偶然的，流行的机器学习介绍，如Andrew Ng在Coursera上的机器学习课程，甚至都没有提到它。
