超越教科书：用Python重现R2为负的7个经典案例（附数据集）
很多机器学习初学者第一次在sklearn中看到r2_score输出一个负数时，第一反应往往是“代码写错了”或者“库函数有bug”。毕竟，从统计学教科书上学到的知识告诉我们，决定系数R²衡量的是模型解释数据方差的比例，其值理应在0到1之间。然而，当你亲手在Jupyter Notebook里运行几行简单的代码，得到一个刺眼的负值时，那种认知被颠覆的瞬间，恰恰是深度学习理解的最佳契机。这篇文章不是要告诉你R²为什么“应该”在0到1之间，而是要带你亲手“制造”出负的R²，通过七个精心设计的、可复现的Python案例，让你从第一性原理层面理解这个指标的边界与陷阱。我们将完全在实践操作中展开，适合那些相信“眼见为实，手过为真”的学习者。
1. 重新认识R²：不止是“解释的方差”
在动手之前，我们需要暂时放下对R²的固有印象。sklearn.metrics.r2_score采用的公式，是通用性最强的定义之一：
R² = 1 - (残差平方和 / 总平方和)
其中：
- 残差平方和 (RSS或SSE)：模型预测值与真实值之差的平方和。
sum((y_true - y_pred) ** 2) - 总平方和 (TSS或SST)：真实值与其均值之差的平方和。
sum((y_true - y_true.mean()) ** 2)
这个公式蕴含了一个关键前提：它是在与一个基线模型进行比较。这个基线模型通常被设定为“均值模型”，即无论输入是什么，总是预测目标变量的平均值（y_pred_baseline = y_true.mean()）。均值模型的残差平方和恰好等于总平方和（TSS），因此其R²为0。
注意：
sklearn官方文档明确指出：“最佳可能得分是1.0，并且它可能是负数（因为模型可能任意地更差）。一个总是预测y的期望值而忽略输入特征的常数模型，将得到0.0的R²分数。”
换句话说，R²衡量的是你的模型比“简单预测平均值”这个笨办法好多少。当你的模型预测结果比直接猜平均值还要离谱时，R²就会跌破0，进入负值区间。这通常发生在模型严重错误、或者在不恰当的评估方式下。
下面，我们进入实战环节。请确保你的环境已安装numpy, pandas, matplotlib和scikit-learn。
# 环境准备与基础导入
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.metrics import r2_score
print("所有库已就绪，R²冒险之旅开始！")
2. 案例一：当模型比“瞎猜平均值”还糟糕时
让我们从一个最直观的例子开始：用一个完全错误的常数去预测。
# 生成一个简单的线性趋势数据
np.random.seed(42)
X_demo = np.arange(100)
y_true = 2 * X_demo + 10 + np.random.normal(0, 5, 100) # y = 2x + 10 + 噪声
# 案例1A：使用均值模型（基线）
y_pred_baseline = np.full_like(y_true, fill_value=y_true.mean())
r2_baseline = r2_score(y_true, y_pred_baseline)
print(f"基线模型（预测均值）的 R²: {r2_baseline:.6f}") # 应该非常接近0
# 案例1B：使用一个极其糟糕的常数模型（比如，预测一个远离均值的值）
y_pred_terrible = np.full_like(y_true, fill_value=y_true.mean() + 1000) # 预测值比均值大1000
r2_terrible = r2_score(y_true, y_pred_terrible)
print(f“糟糕常数模型的 R²: {r2_terrible:.6f}”) # 将会是一个显著的负数
运行这段代码，你会看到第一个负R²诞生了。为什么？因为y_pred_terrible这个预测序列，它与真实值y_true的差距（RSS），远远大于真实值自身围绕其均值的波动（TSS）。根据公式 1 - (RSS/TSS)，当RSS > TSS时，结果自然为负。
核心洞察：R²为负的第一个充分条件，就是你的模型在样本内的预测误差，比直接使用目标变量均值作为预测的误差还要大。这通常意味着模型完全失效。
3. 案例二：非线性关系强行用线性模型拟合
这是实践中导致负R²的常见原因之一。数据本身存在强烈的非线性关系（如二次、指数），而我们却固执地使用简单线性回归去拟合。
from sklearn.linear_model import LinearRegression
# 生成一个清晰的二次关系数据
np.random.seed(123)
X = np.linspace(-5, 5, 100)
y_true_quad = X ** 2 + np.random.normal(0, 1, 100) # y = x^2 + 噪声
# 尝试用线性模型拟合
X_reshaped = X.reshape(-1, 1)
model_linear = LinearRegression()
model_linear.fit(X_reshaped, y_true_quad)
y_pred_linear = model_linear.predict(X_reshaped)
r2_linear_on_quad = r2_score(y_true_quad, y_pred_linear)
print(f“用线性模型拟合二次数据的 R²: {r2_linear_on_quad:.6f}”)
# 可视化对比
plt.figure(figsize=(10, 4))
plt.subplot(1, 2, 1)
plt.scatter(X, y_true_quad, alpha=0.6, label='真实数据')
plt.plot(X, y_pred_linear, color='red', linewidth=2, label='线性拟合')
plt.axhline(y=y_true_quad.mean(), color='green', linestyle='--', label='数据均值')
plt.title(f'线性拟合R² = {r2_linear_on_quad:.4f}')
plt.legend()
# 作为对比，使用多项式回归（正确的模型）
from sklearn.preprocessing import PolynomialFeatures
from sklearn.pipeline import make_pipeline
poly_model = make_pipeline(PolynomialFeatures(degree=2), LinearRegression())
poly_model.fit(X_reshaped, y_true_quad)
y_pred_poly = poly_model.predict(X_reshaped)
r2_poly = r2_score(y_true_quad, y_pred_poly)
plt.subplot(1, 2, 2)
plt.scatter(X, y_true_quad, alpha=0.6, label='真实数据')
plt.plot(X, y_pred_poly, color='orange', linewidth=2, label='二次多项式拟合')
plt.axhline(y=y_true_quad.mean(), color='green', linestyle='--', label='数据均值')
plt.title(f'多项式拟合R² = {r2_poly:.4f}')
plt.legend()
plt.tight_layout()
plt.show()
观察左图，红色的线性拟合线几乎是一条水平线，它与数据点的距离（大误差）远大于数据点围绕其自身均值（绿线）的波动。此时线性模型不仅没有捕捉到趋势，反而引入了系统性偏差，其表现比“直接猜平均值”更差，R²为负。右图则展示了正确模型的威力。
4. 案例三：在测试集上评估一个未正确训练的模型
这是机器学习工作流中一个关键的陷阱。我们通常在训练集上拟合模型，然后在独立的测试集上评估其泛化能力。如果你用一个在完全不同分布的数据上训练出的模型去预测，R²很容易变负。
from sklearn.model_selection import train_test_split
# 生成两组不同分布的数据
np.random.seed(456)
# 训练集：有正斜率趋势
X_train = np.random.uniform(0, 10, 50)
y_train = 3 * X_train + 5 + np.random.normal(0, 2, 50)
# 测试集：有负斜率趋势（分布不同！）
X_test = np.random.uniform(0, 10, 30)
y_test = -2 * X_test + 20 + np.random.normal(0, 2, 30)
# 在训练集上拟合线性模型
model_mismatch = LinearRegression()
model_mismatch.fit(X_train.reshape(-1, 1), y_train)
# 在训练集上评估（通常表现良好）
y_pred_train = model_mismatch.predict(X_train.reshape(-1, 1))
r2_train = r2_score(y_train, y_pred_train)
# 在分布不同的测试集上评估（灾难！）
y_pred_test = model_mismatch.predict(X_test.reshape(-1, 1))
r2_test = r2_score(y_test, y_pred_test)
print(f“模型在训练集上的 R²: {r2_train:.4f}”)
print(f“模型在分布不同的测试集上的 R²: {r2_test:.4f}”)
# 创建对比表格
results_df = pd.DataFrame({
‘数据集’: [‘训练集’, ‘测试集’],
‘数据趋势’: [‘y ≈ 3x + 5’, ‘y ≈ -2x + 20’],
‘模型学到的趋势’: [‘y ≈ 3x + 5’, ‘y ≈ 3x + 5’],
‘R² 分数’: [r2_train, r2_test]
})
print(“\n模型评估结果对比：”)
print(results_df.to_string(index=False))
这个案例模拟了数据分布漂移或训练-测试数据泄露的反面情况。模型在训练集上学到的是正相关，而测试集呈现的是负相关。模型在测试集上的预测不仅不准，而且错误是有方向的、系统性的，导致其误差远超测试集本身的方差，从而产生负R²。这提醒我们，一个在训练集上表现优异的模型，在现实世界中可能完全失效。
5. 案例四：极端离群值的“一票否决”威力
离群值对基于平方误差的指标（如MSE、R²）影响巨大。一个极端离群值可以轻易扭曲整个评估结果。
# 创建一份基本良好的数据
np.random.seed(789)
X_clean = np.random.randn(100)
y_clean = 0.8 * X_clean + np.random.randn(100) * 0.5
# 案例4A：在没有离群值的数据上拟合
model_clean = LinearRegression()
model_clean.fit(X_clean.reshape(-1, 1), y_clean)
y_pred_clean = model_clean.predict(X_clean.reshape(-1, 1))
r2_clean = r2_score(y_clean, y_pred_clean)
# 案例4B：引入一个极端离群值
X_with_outlier = np.append(X_clean, 10) # 在特征中加入一个极端值
y_with_outlier = np.append(y_clean, 100) # 在目标中加入一个对应的极端值
model_outlier = LinearRegression()
model_outlier.fit(X_with_outlier.reshape(-1, 1), y_with_outlier)
y_pred_with_outlier = model_outlier.predict(X_with_outlier.reshape(-1, 1))
r2_with_outlier = r2_score(y_with_outlier, y_pred_with_outlier)
print(f“无离群数据时的 R²: {r2_clean:.4f}”)
print(f“加入一个极端离群点后的 R²: {r2_with_outlier:.4f}”)
# 分析原因：计算离群点带来的误差放大效应
sst_clean = ((y_clean - y_clean.mean()) ** 2).sum()
sse_clean = ((y_clean - y_pred_clean) ** 2).sum()
sst_with = ((y_with_outlier - y_with_outlier.mean()) ** 2).sum()
sse_with = ((y_with_outlier - y_pred_with_outlier) ** 2).sum()
print(f“\n【误差分解】”)
print(f“无离群点： SST={sst_clean:.2f}, SSE={sse_clean:.2f}, SSE/SST={sse_clean/sst_clean:.4f}”)
print(f“有离群点： SST={sst_with:.2f}, SSE={sse_with:.2f}, SSE/SST={sse_with/sst_with:.4f}”)
print(f“离群点使SST增大了约 {((sst_with-sst_clean)/sst_clean)*100:.1f}%，但使SSE增大了约 {((sse_with-sse_clean)/sse_clean)*100:.1f}%”)
你会发现，加入一个离群点后，R²显著下降，甚至可能变为负数。这是因为离群点同时增大了SST（分母）和SSE（分子），但SSE的增幅往往远大于SST。模型为了“照顾”这个离群点，会扭曲对整个数据集的拟合，导致对其他“正常”数据点的预测也变差，从而使得整体SSE急剧膨胀。
6. 案例五：评估完全随机的噪声数据
这个案例旨在打破一个迷思：不是所有数据都能被模型解释。当因变量完全是随机噪声，与任何自变量都无关时，任何试图寻找规律的模型都是在“过拟合”噪声。
np.random.seed(1122)
# 特征X可以是任何有规律或无规律的数据
X_random = np.random.randn(200).reshape(-1, 1)
# 目标y是纯粹的随机噪声，与X无关
y_random_noise = np.random.randn(200)
# 尝试用线性模型去拟合
model_on_noise = LinearRegression()
model_on_noise.fit(X_random, y_random_noise)
y_pred_noise = model_on_noise.predict(X_random)
r2_on_noise = r2_score(y_random_noise, y_pred_noise)
print(f“用线性模型拟合纯随机噪声的 R²: {r2_on_noise:.6f}”)
# 多次实验，观察R²的分布
r2_list = []
for i in range(1000):
y_temp = np.random.randn(200)
model_temp = LinearRegression()
model_temp.fit(X_random, y_temp) # 使用相同的X
y_pred_temp = model_temp.predict(X_random)
r2_list.append(r2_score(y_temp, y_pred_temp))
plt.hist(r2_list, bins=30, edgecolor='black', alpha=0.7)
plt.axvline(x=0, color='red', linestyle='--', label='R² = 0 (均值模型)')
plt.xlabel(‘R² Score’)
plt.ylabel(‘Frequency’)
plt.title(‘1000次实验：用线性模型拟合随机噪声的R²分布’)
plt.legend()
plt.show()
print(f“在1000次实验中，R²的平均值为：{np.mean(r2_list):.4f}”)
print(f“R²为负的比例是：{(np.array(r2_list) < 0).sum() / len(r2_list) * 100:.1f}%”)
这个实验非常有趣。你会发现，即使拟合纯噪声，得到的R²也可能是一个很小的正数（由于随机巧合），但有相当一部分实验会得到负的R²。这是因为线性模型强行从噪声中“学习”到了一个虚假的、微弱的模式，这个模式在样本内可能略微降低了误差（相对于均值），但更多时候，这种强行拟合引入的偏差反而增大了误差，使得模型表现比均值模型更差。这深刻地揭示了在数据没有真实信号时，模型复杂度的危险性。
7. 案例六：使用错误的评估方式——在训练集外计算“伪R²”
这是一个高级但易错的场景，涉及时间序列或需要严格区分的样本外预测。R²的定义依赖于计算TSS时使用的均值（y_true.mean()）。这个均值必须是评估所用数据的真实均值。
# 模拟一个时间序列
np.random.seed(2024)
time = np.arange(100)
trend = 0.05 * time
seasonality = 5 * np.sin(2 * np.pi * time / 20)
noise = np.random.randn(100) * 2
y_ts = trend + seasonality + noise + 10
# 错误做法：用全部数据的均值来计算测试集的R²
train_size = 80
y_train_ts, y_test_ts = y_ts[:train_size], y_ts[train_size:]
# 假设我们有一个简单的预测（例如，使用最后已知值）
y_pred_naive = np.full_like(y_test_ts, fill_value=y_train_ts[-1]) # 朴素预测：用最后一个训练值
# 错误计算：使用全体数据（训练+测试）的均值作为基准
global_mean = y_ts.mean()
sst_wrong = ((y_test_ts - global_mean) ** 2).sum()
sse = ((y_test_ts - y_pred_naive) ** 2).sum()
r2_wrong = 1 - (sse / sst_wrong)
# 正确计算：使用测试集自身的均值作为基准
test_mean = y_test_ts.mean()
sst_correct = ((y_test_ts - test_mean) ** 2).sum()
r2_correct = 1 - (sse / sst_correct)
print(f“【时间序列样本外评估】”)
print(f“朴素预测值: {y_pred_naive[0]:.2f}”)
print(f“测试集真实均值: {test_mean:.2f}”)
print(f“全体数据均值: {global_mean:.2f}”)
print(f“使用错误基准（全局均值）计算的 R²: {r2_wrong:.4f}”)
print(f“使用正确基准（测试集均值）计算的 R²: {r2_correct:.4f}”)
你会发现，两种计算方式得出的R²可能天差地别，甚至符号相反。sklearn.metrics.r2_score(y_true, y_pred)函数内部会自动使用y_true的均值来计算TSS，因此只要传入正确的y_true，它总是正确的。 这个案例的“错误”在于手动计算时选错了基准均值。它警示我们，当进行复杂的交叉验证或滚动预测时，必须确保每个评估片段都使用其自身的目标均值来计算基准。
8. 案例七：过拟合与数据泄露的“负”面教材
最后，我们看一个在复杂模型中更隐蔽的情况。当模型在训练集上严重过拟合，以至于学到了数据中的噪声和特定样本的 idiosyncrasies 时，它在未见过的数据上可能产生灾难性预测。
from sklearn.preprocessing import PolynomialFeatures
from sklearn.model_selection import cross_val_score
# 生成一份有轻微非线性但主要仍是线性的数据
np.random.seed(333)
X_complex = np.random.uniform(-3, 3, 50)
y_complex = 0.7 * X_complex + 0.3 * (X_complex**2) + np.random.randn(50)
# 使用一个极高阶的多项式特征，故意制造过拟合
degree = 20
poly = PolynomialFeatures(degree=degree, include_bias=False)
X_poly_high = poly.fit_transform(X_complex.reshape(-1, 1))
model_overfit = LinearRegression()
model_overfit.fit(X_poly_high, y_complex)
y_pred_train_overfit = model_overfit.predict(X_poly_high)
r2_train_overfit = r2_score(y_complex, y_pred_train_overfit)
# 在全新的、来自同一分布的数据上评估
X_new = np.random.uniform(-3, 3, 50)
y_new = 0.7 * X_new + 0.3 * (X_new**2) + np.random.randn(50)
X_new_poly = poly.transform(X_new.reshape(-1, 1)) # 使用相同的特征转换
y_pred_new_overfit = model_overfit.predict(X_new_poly)
r2_test_overfit = r2_score(y_new, y_pred_new_overfit)
print(f“使用{degree}阶多项式在训练集上的 R²: {r2_train_overfit:.6f} (严重过拟合，接近1)”)
print(f“同一模型在全新测试集上的 R²: {r2_test_overfit:.6f}”)
# 对比一个合适复杂度（2阶）的模型
poly_proper = PolynomialFeatures(degree=2, include_bias=False)
X_poly_proper = poly_proper.fit_transform(X_complex.reshape(-1, 1))
model_proper = LinearRegression()
model_proper.fit(X_poly_proper, y_complex)
y_pred_test_proper = model_proper.predict(poly_proper.transform(X_new.reshape(-1, 1)))
r2_test_proper = r2_score(y_new, y_pred_test_proper)
print(f“\n作为对比，使用2阶多项式在全新测试集上的 R²: {r2_test_proper:.6f}”)
过拟合的模型在训练集上R²可以非常高，但在测试集上，因为它学习的是训练数据中不具泛化性的噪声模式，其预测可能会系统地偏离真实值，导致误差极大，R²变为负数。这提醒我们，不能只看训练集性能，必须通过严格的样本外验证来监控模型。
动手完成这七个案例，你对R²的理解应该不再局限于教科书上的[0,1]区间。负的R²不是一个需要被“修复”的bug，而是一个强烈的红色警报。它明确告诉你：当前模型在当前数据上的表现，甚至不如一个最简单的基准模型（预测平均值）。这个信号迫使你去检查数据质量、模型假设、训练-测试划分是否合理，或者你的任务是否本身就缺乏可预测的信号。下次再看到负的R²时，希望你的第一反应不再是困惑，而是兴奋——因为你知道，深度排查和理解的时刻到了。
扫一扫
275
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
