我想使用Keras构建一个神经网络，对我的输入变量和输出变量进行变换，并使用sklearn Pipeline（这样我可以进行交叉验证）。我尝试使用TransformedTargetRegressor，但我的均方误差看起来不合理。
这是我的代码，改编自Sklearn的TransformedTargetRegressor示例，使用波士顿房价数据集，并添加了一个简单的神经网络来缩放输入变量（X）。
设置（这一部分没问题）：
import numpy as npfrom keras.models import Sequentialfrom keras.layers import Densefrom keras.wrappers.scikit_learn import KerasRegressorfrom sklearn.model_selection import cross_val_scorefrom sklearn.model_selection import KFoldfrom sklearn.preprocessing import StandardScalerfrom sklearn.pipeline import Pipelinefrom sklearn.preprocessing import MinMaxScalerfrom sklearn.datasets import load_bostonfrom sklearn.compose import TransformedTargetRegressorfrom sklearn.model_selection import train_test_split#load dataX, y = load_boston(return_X_y=True)#define simple neural networkdef simple_nn(): model = Sequential() model.add(Dense(13, input_dim=13, activation='relu')) model.add(Dense(1)) model.compile(loss='mean_squared_error', optimizer = 'adam') return model#create pipeline for input variables (X) preprocessingestimators = []estimators.append(('standardize', StandardScaler()))estimators.append(('mlp', KerasRegressor(build_fn=simple_nn, epochs=100, batch_size=5, verbose=True)))pipeline = Pipeline(estimators)我尝试做以下操作（有问题的部分）：
#Section in questiontransformer = MinMaxScaler()model = TransformedTargetRegressor(regressor=pipeline, transformer=transformer)results = cross_val_score(model, X, y, cv=KFold(n_splits=5))交叉验证得分结果为：array([ 0.61321517, 0.35811762, -2.67674546, -0.30623006, -0.38187424])
中间的数字特别让我担心，因为目标y应该是从0到1缩放的，所以-2.67的均方误差看起来是错误的。我在这里做错了什么？
回答：
均方误差是平方后的值，因此不可能是负数。这意味着你的得分不是均方误差。
cross_val_score文档告诉我们，如果没有定义，评分器会默认使用估计器的评分器：
“如果为None，将使用估计器的默认评分器（如果可用）。
在你的例子中，使用的是TransformedTargetRegressor回归器。TransformedTargetRegressor文档告诉我们，它的默认评分是：
返回预测的决定系数R^2。
所以你显示的值是R2得分。如果你的模型表现不好，它可能是负值。请参见这个问题作为示例。
作为最佳实践，你应该始终定义你想要使用的评分器，以避免依赖错误的评分器。
