我是机器学习的新手，在学习本课程时，我遇到了“评分参数”。我了解回归模型评估时，我们会考虑均方误差，均值绝对误差等的负值。
[当我想知道原因时，我浏览了SKLearn文档，其中说：“所有计分器对象都遵循以下约定：较高的返回值比较低的返回值要好。因此，度量值可以度量模型与数据之间的距离，例如度量值.mean_squared_error，可以作为neg_mean_squared_error返回，该度量返回度量的取反值。“
此解释不能完全回答我的原因，我感到困惑。因此，为什么要否定负数，因为从逻辑上讲，如果预测差异较大（无论是-ve还是+ ve），都会使我们的模型同样糟糕。那为什么评分参数只关注负差呢？
很简单：最小化MSE等同于最大化负MSE。
计分员可以最大化的目标功能只是像Sklearn文档所建议的“常规”。
[我认为您对neg_mean_absolute_error（NMAE）的理解方式有些误解。 neg_mean_absolute_error的计算方式如下：