Scikit-Learn LOOCV与手动操作结果不同，为什么?

Question

所以我已经为一个小数据集建立了一个模型，因为它是一个小数据集，我做了一个Leave-One-out交叉验证(LOOCV)检查其准确性。所以简而言之，我会手动删除一个样本，训练模型，预测遗漏的样本并保存预测，然后对所有样本重复这个过程。然后我会使用预测列表和实际值来获得RMSE和R2。今天我发现有一个Scikit-Learn实现sklearn.model_selection。然而，当我尝试它时，它给了我不同的RMSE结果，并拒绝在LOOCV方法中使用r平方作为精度(它似乎计算每个样本的精度，这与R2不起作用)。

下面是一个简短的代码示例:

from numpy import mean
from numpy import std
from sklearn.datasets import make_blobs
from sklearn.model_selection import LeaveOneOut
from sklearn.model_selection import cross_val_score
from sklearn.ensemble import RandomForestClassifier
cv = LeaveOneOut()
model = RandomForestRegressor(n_estimators=200, max_depth=6,n_jobs=40, random_state=0)
scores = cross_val_score(model, data2SN, labelCL, scoring='neg_root_mean_squared_error', cv=cv, n_jobs=-1)
# report performance
print('Accuracy: %.3f (%.3f)' % (mean(scores), std(scores)))

我的猜测是，我正在计算整个数据集的RMSE，而LOOCV正在每个样本做它，最终我会取平均值，这就是导致两个代码输出之间差异的原因，然而，当我试图计算每个样本的RMSE时，它失败了(引用这个TypeError: Singleton数组3021.0不能被认为是一个有效的集合)。所以我不确定如何在LOOCV内计算RMSE。我不确定是否应该相信我的代码，或者只是盲目地使用scikit-learn实现。
我不知道该怎么做，chatGPT只是混乱的地狱，所以我的人类兄弟请帮助

Answer 1

cross_val_score平均分数，所以对于cv=LeaveOneOut()，是的，它是计算每行分数(通过在所有其他行上训练的模型)。RMSE等于MAE;R2就会失败。

您可以使用cross_val_predict来获得单个预测，然后立即对该集合进行评分，以重现您的手动工作。