在回归模型中，哪些因素会导致极大的RMSE值？

Question

我试图建立一个回归模型来预测电影票房。数据集是从Kaggle TMDB 5000电影数据集中获取的，另一个数据集包含一些社交媒体相关属性。在

经过合并和清理，最终的数据集由183个观测值和53个特征组成。两个分类特征，类型和生产国家被扩展。例如，“动作”、“戏剧”、“喜剧”等新列，如果该电影属于该类型，则值为1。与生产国相同。在

我使用数据集构建回归模型，但遇到了一个问题。无论我使用训练-测试分离或交叉验证方法，或尝试不同的回归模型，我得到的RMSE都非常高。在

from sklearn.model_selection import cross_val_predict
X=movie.drop('Gross',axis=1)
y=movie['Gross']
print 'R2:',r2_score(y,cross_val_predict(RandomForestRegressor(),X,y,cv=10))
print 'RMSE:',np.sqrt(metrics.mean_squared_error(y,cross_val_predict(method,X,y,cv=10)))

output:
R2: 0.344831741145
RMSE: 76169019.1588 

我不知道是什么因素导致了这种情况。有人能帮我吗？非常感谢。在

Answer 1

看来你计算的RMSE是正确的，我会检查R2测量值，并尝试手动进行，只是为了确定。在

但是如果我们检查下面的参考文献，我将尝试更详细地回顾这个概念：http://brenocon.com/rsquared_is_mse_rescaled.pdf

我们可以观察到

r2=1-毫秒（x，y）/VAR（y）

如果MSE->；0，则为RMSE->；0和r2->；1。在

但如果RMSE->；+inf，MSE->；+inf，如果MSE<；=VAR（y），这将导致r2值低于1，例如0.2、0.3等，因此您的结果可能会使您的分析走上正确的轨道。在