Interpretación de la estimación de error fuera de bolsa para RandomForestRegressor

Estoy usando el regresor RandomForest en mis datos y pude ver que la puntuación de Oob se obtuvo en 0.83. No estoy seguro de cómo resultó ser así. Quiero decir que mis objetivos son valores altos en el rango de 10 ^ 7. Entonces, si es MSE, entonces debería haber sido mucho más alto. No entiendo lo que significa 0.83 aquí.

Estoy usando el RandomForestRegressor de python del kit de herramientas sklearn.

hago

model = RandomForestRegressor (max_depth = 7, n_estimators = 100, oob_score = True, n_jobs = -1) model.fit (trainX, trainY)

Luego veo model.oob_score_ y obtengo valores como 0.83809026152005295

Para comparar los valores objetivo de verdad real (es decir, correctos / reales) con los valores objetivo estimados (es decir, pronosticados) por el bosque aleatorio, scikit-learn no usa el MSE sino (a diferencia de, por ejemplo, MATLAB o ( Breiman 1996b ) ), como puede ver en el código de forest.py :$R^2$

self.oob_score_ = 0.0
for k in xrange(self.n_outputs_):
    self.oob_score_ += r2_score(y[:, k], predictions[:, k])
self.oob_score_ /= self.n_outputs_

r2_score()calcula el coeficiente de determinación aka. R2 , cuyo mejor puntaje posible es 1.0, y los valores más bajos son peores.

FYI:

• ¿Cuál es el error fuera de bolsa en bosques aleatorios?
• ¿Cuál es la diferencia entre "coeficiente de determinación" y "error cuadrático medio"?
• Breiman, Leo. Estimación fuera de bolsa . Informe técnico, Departamento de Estadística, Universidad de California Berkeley, Berkeley CA 94708, 1996b. 33, 34, 1996.