При выполнении регрессии с MLPRegressor с использованием GridsearchCV я обнаружил, что оценки из GridSearchCV (с использованием neg_mean_absolute_error) и оценки из прогноза (mean_absolute_error (y_test, gs.predict (X_test)) различаются. Я знаю, чтоGridsearchCV максимизирует, и поэтому negMAE на самом деле должен быть отрицательным. Хотя я предполагаю - исходя из выводов из других потоков - что разница между двумя оценками обусловлена перекрестной проверкой, мне интересно, какая из двух оценок является более надежнойДругими словами: на какой счет мне смотреть при настройке параметров? Если бы я сконцентрировался на элементе mean_absolute_error вместо оценки с помощью neg_MAE, мне пришлось бы настраиваться «вручную».
gs = GridSearchCV(regressor, parameters,
cv=10, scoring = "neg_mean_absolute_error",
verbose=10, refit=True, n_jobs=-1)
Best score: -42.315280064093805
using: {'activation': 'identity', 'alpha': 0.0001, 'batch_size':
'auto', 'hidden_layer_sizes': (15, 8, 1), 'learning_rate':
'invscaling', 'max_iter': 1500, 'random_state': 11, 'solver': 'adam'}
"MAE train:", mean_absolute_error(y_train, gs.predict(X_train))
"MAE test:", mean_absolute_error(y_test, gs.predict(X_test))
MAE train: 42.094584344047874
MAE test: 42.95719446785037