python – SciKit-Learn：使用线性回归的天文误差

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer
corpus = result_df['_text'].tolist()
count_vect = CountVectorizer(min_df=1,stop_words='english')
dtm = count_vect.fit_transform(corpus)
word_counts = dtm.toarray()
tfidf_transformer = TfidfTransformer()
tfidf = tfidf_transformer.fit_transform(word_counts)
words_df = pd.DataFrame(tfidf.todense(),columns=count_vect.get_feature_names())

我正在使用这样的标准缩放：

from sklearn import preprocessing
scaler = preprocessing.StandardScaler()
result_df['_title'] = scaler.fit_transform(result_df['_title'])

所以我得到我的X如下：

_title  00  000 0002    0003    000667  000709  000725  001 0013    ... última  últimamente último  única   únicamente  único   únicos  útiles  ??_???  ?????
0   62  0.000000    0.000000    0.0 0.0 0.0 0.0 0.0 0.000000    0.0 ... 0.000000    0.0 0.0 0.0 0.0 0.000000    0.0 0.0 0.0 0.0
1   41  0.000000    0.000000    0.0 0.0 0.0 0.0 0.0 0.000000    0.0 ... 0.000000    0.0 0.0 0.0 0.0 0.000000    0.0 0.0 0.0 0.0
2   53  0.000000    0.020781    0.0 0.0 0.0 0.0 0.0 0.000000    0.0 ... 0.000000

我的Y(目标值)看起来像这样：

0        166.0
1         24.0
2         22.0

现在,我尝试运行基本的线性回归,得到一个绝对天文的均方根误差(RMSE)：

from sklearn.model_selection import train_test_split
X_train,X_test,Y_train,Y_test = train_test_split(X.as_matrix(),Y,test_size=0.2)

from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
import numpy as np
lin_reg = LinearRegression()
lin_reg.fit(X_train,Y_train)
views_predictions = lin_reg.predict(X_test)
lin_mse = mean_squared_error(Y_test,views_predictions)
lin_rmse = np.sqrt(lin_mse) //value is 770956447401244.75

我的平均Y值是1,487,它的标准偏差是~8,000,所以这个数字不可能是正确的.即使每次都猜相同的数字也会大大超过这个数字.

有趣的是,当我使用DecisionTreeRegressor时,我看到一个看似合理的RMSE为15053.957646453207(仍然很高但远不及线性回归的RMSE).

知道这里发生了什么吗？

谢谢！