python線性回歸的置信度小於0

Question

我的以下股價df2 [x]為Y：

2018-09-05    6.22
2018-09-06    6.19
2018-09-07    6.22
2018-09-10    6.24
2018-09-11    6.24

...

2018-12-05    4.65
2018-12-14    0.00

將csvReader5 [x]賣空作為X：

2018-09-06    1.11
2018-09-07    1.04
2018-09-10    1.61
2018-09-11    1.52
2018-09-12    1.61

..
2018-12-05    0.98
2018-12-14    7.00

這是我用來計算置信度的代碼

 y = numpy.array(csvReader5[x]).reshape(-1,1)
 X=numpy.array(df2[x]).reshape(-1,1)
 X = preprocessing.scale(X)

 X_train, X_test, y_train, y_test = cross_validation.train_test_split(X, y, test_size=0.2)
 clf = LinearRegression()
 clf.fit(X_train, y_train)
 confidence = clf.score(X_test, y_test)
Out :-1.08

每次運行時，我得到的置信度都會改變，並且始終小於1。我認為置信度與R方差相同，因此應該始終在（0,1）之間嗎？

Answer 1

從sklearn文檔中：

score(X, y, sample_weight=None)

返回預測的確定系數R ^ 2。

系數R^2定義為(1 - u/v) ，其中u是平方的殘差和((y_true - y_pred) ** 2).sum() ，v是平方的總和((y_true - y_true.mean()) ** 2).sum() 。 最佳可能分數是1.0， 並且可能為負（因為模型可能會更糟） 。 不管輸入特征如何，始終預測y的期望值的恆定模型將獲得0.0的R ^ 2分數。