我在尝试应用一些回归器来预测IMDB评分。这是我的尝试方法：

import pandas as pdimport numpy as npfrom sklearn.preprocessing import MinMaxScalerfrom sklearn.tree import DecisionTreeRegressorfrom sklearn.model_selection import train_test_splitdata = pd.read_csv("D:/Code/imdb_project/movie_metadata.csv")df = data[["duration","budget", "title_year","imdb_score"]]df = df.dropna()feature = np.array(df[["duration","budget","title_year"]])rating = np.array(df["imdb_score"])scaler = MinMaxScaler()scaler.fit(feature)X = scaler.transform(feature)y = ratingx_train, x_test, y_train, y_test = train_test_split(X, y, train_size = 0.8, test_size = 0.2, random_state = 5)regressor = DecisionTreeRegressor(criterion='mse')regressor.fit(x_train, y_train)regressor.score(x_test, y_test)

为了澄清，我的数据集包含三个特征：预算、发行年份和时长，y是IMDB评分。当我将这个回归器应用于测试数据时，我总是得到一个负的R平方（在训练数据上运行得很好。）我知道R平方可以是负值，但我仍然想知道是否有办法可以改进它？我知道的唯一方法是归一化数据，我在拟合模型之前已经这样做了。

回答：

负的R^2分数意味着你的模型对数据的拟合非常差。在这种情况下，决策树可能过于简单。或者你可能选择了错误的criterion。

我建议尝试调整模型的超参数，或者选择另一种模型。