Sklearn GridSearchCV дает сомнительные результаты ⇐ Python

[Anonymous]

У меня есть входные данные X_train размером (477 x 200) и y_train длиной 477.
Я хочу использовать машинный регрессор опорных векторов и выполняю поиск по сетке.

Код: Выделить всё

param_grid = {'kernel': ['poly', 'rbf', 'linear','sigmoid'], 'degree': [2,3,4,5], 'C':[0.01,0.1,0.3,0.5,0.7,1,1.5,2,5,10]}
grid = GridSearchCV(estimator=regressor_2, param_grid=param_grid, scoring='neg_root_mean_squared_error', n_jobs=1, cv=3, verbose = 1)
grid_result = grid.fit(X_train, y_train))

Я получаю для Grid_result.best_params_ {'C': 0,3, 'степень': 2, 'ядро': 'линейный' с оценкой -7,76. И {'C': 10, 'grade': 2, 'kernel': 'rbf' дает mit -8,0.
Однако, когда я это делаю,

Код: Выделить всё

regressor_opt = SVR(kernel='linear', 'degree'=2, C=0.3)
regressor_opt.fit(X_train,y_train)

y_train_pred = regressor_opt.predict(X_train)
print("rmse=",np.sqrt(sum(y_train-y_train_pred)**2)/np.shape(y_train_pred)))

Я получу 7.4 и когда получу

Код: Выделить всё

regressor_2 = SVR(kernel='rbf', 'degree'=2, C=10)
regressor_2.fit(X_train,y_train)

y_train_pred = regressor_2.predict(X_train)
print("rmse=",np.sqrt(sum(y_train-y_train_pred)**2)/np.shape(y_train_pred)))

У меня 5,9. Это явно лучше, чем 7,4, но при поиске по сетке отрицательное среднеквадратическое отклонение, которое я получил для этой комбинации параметров, было -8 и, следовательно, хуже, чем 7,4.
Может кто-нибудь объяснить мне, что происходит? Не следует ли мне использовать Scoring='neg_root_mean_square_error'?

Подробнее здесь: https://stackoverflow.com/questions/664 ... le-results