解释RandomForestRegressor的实际误差估计

我在数据上使用RandomForest回归器，可以看到oob得分为0.83。我不确定是怎么回事。我的意思是我的目标是10 ^ 7范围内的较高值。因此，如果是MSE，则应该更高。我不明白0.83在这里表示什么。

我正在使用sklearn工具包的python的RandomForestRegressor。

我做

模型= RandomForestRegressor（max_depth = 7，n_estimators = 100，oob_score = True，n_jobs = -1）model.fit（trainX，trainY）

然后我看到了model.oob_score_，得到的值像0.83809026152005295

为了比较随机森林的地面真值（即正确/实际）目标值与估计（即预测）目标值，scikit-learn不使用MSE，而是使用（不同于MATLAB或（Breiman 1996b） ），如您在forest.py代码中所看到的：$R^2$

self.oob_score_ = 0.0
for k in xrange(self.n_outputs_):
    self.oob_score_ += r2_score(y[:, k], predictions[:, k])
self.oob_score_ /= self.n_outputs_

r2_score()亦即计算确定系数。R2，其最高可能得分为1.0，而较低的值则更差。

仅供参考：

• 什么是“随机森林”中的出库错误？
• “确定系数”和“均方误差”之间有什么区别？
• 布雷曼，狮子座。袋外估计。加利福尼亚大学伯克利分校统计系技术报告，伯克利CA 94708，1996b。33，34，1996。