返回树的指标测量分支的质量MSE使用平均正方形误差平方误差（MSE）。FRIEDMAN_MSE使用费尔德曼的平均正方形误差，这是在改善改进问题后潜在分支的绝对平均误差在电位分支中。功能_importances_，接口仍然是应用，拟合，预测，得分的核心。
n是样本的数量，i是每个数据样本，fi是模型返回的值，yi是样本点的实际数值标签。MSE的本质是样本的真实数据和样本和返回。在返回树中，MSE不仅是分支质量的测量指标，而且是返回树返回的最常用指标。使用交叉验证，通常被选为平均正方形误差的评估。准确性）。在返回，较小的MSE，越好。
u是残留的正方形和（MSE * n）。v是总正方形和样品数量。我是每个数据的示例。FI是模型返回的值。yi是样品点的实际数值标签。该模型非常糟糕，R正方形将是负），并且权益误差始终为正。权益错误本身是一个错误。因此，将其分为Sklearn的模型丢失。因此，它在Sklearn中以负数表示。真正的平方错误的值MSE实际上是neg_mean_squared_error删除负符号的数量。
因为我们只是在训练集和测试集示例数据上提高了一个美丽的参数值，但是在未知数据集上，它可以是一个很好的结果，因此它被应用于交叉验证。交叉验证用于观察模型以观察稳定性的模型方法，我们将数据分为N部分，并将其中一个用作测试集，而其他N -1零件则作为训练集。模型多次评估模型的平均准确性的准确性。
训练集和测试集的划分将干扰模型的结果，因此，n次n次结果的平均值是跨验证n时间的更好衡量模型效应。
调整其他参数可以指决策树的分类。