scikit-learn的MSE评分为何带负号：先区分指标与评分器

结果表写着neg_mean_squared_error，数值却是负数，不能立刻解释为模型算出了负的平方误差。scikit-learn 1.5.2文档区分指标函数与评分器：评分器遵循返回值越大越好的约定，而mean_squared_error衡量的是误差，两者的比较方向不同。[1]

文档给出的处理是取相反数。名为neg_mean_squared_error的评分器返回MSE的负值，使较小误差对应较大的评分。原始MSE函数计算各样本预测值与真实值之差的平方，再取平均；在通常实数数据的这个定义下，平方与平均本身没有产生负数。评分上的负号属于接口约定。

可以用本文自拟的数字看比较方向：若两项可比结果的原始MSE分别为4和9，对应负向评分就是−4和−9。−4大于−9，与原始误差4小于9相对应。这只是符号关系的演示，本文没有训练模型、运行交叉验证或取得任何业务得分，也没有把这两个数字当成质量阈值。

因此，转述一列结果时应保留完整名称。“评分为−4”和“MSE为4”可以对应同一项取反关系，但如果删掉neg前缀，又把−4直接命名为MSE，就改变了字段含义。反过来，把所有模型指标一律取绝对值也不是这里的结论；不同指标有各自定义，不能凭看到负号就通用处理。

同页在make_scorer说明中解释，损失函数采用greater_is_better=False时，其输出会由评分器取反，以符合交叉验证的比较约定。这个参数说明的是包装后的评分方向，不意味着数据、预测结果或底层损失计算被重新定义。本文没有修改任何平台的评估设置。

结果之间是否可比，还需要相同的评价口径与数据条件；负号本身不能补齐这些信息。本文采用1.5.2文档的评分段落与MSE定义，不从其他版本或其他指标推断通用规则。给结果列保留指标原名、是否取反及比较方向，才能准确说明一个负数究竟代表什么。