最近，我一直在使用 LightGBM 作为回归器，以便在一个包含 2 万个观测值和 40 个变量的数据集上进行预测。

我有两种模式，1）生产和2）测试。第一个只是用整个数据集训练一个模型。第二个对 80% 的数据集执行相同的操作，并对剩余的 20% 进行测试（使用 train_test_split 完成 80-20，来自 sklearn.model_selection，未使用种子）。

在这两种情况下，我都会在执行结束时显示neg_mean_squared_error 。在整个数据集的第一种情况下，在第二种情况下，我得到两个值（训练和测试）

我很震惊地看到，虽然在第一种情况下我的错误大约是 -10，但在第二种情况下，值是 -5（训练）和 -5.3（测试）。我的目标变量的平均值可以是 80。我预计会失去准确性，因为我用较少的数据进行训练，然后我在不同的样本上进行测试。

问题：有任何理论上的原因可以解释 80-20 测试比完整数据情况下获得“更好”的 neg_mean_squared_error 吗？或者它必须是我的代码中的（偷偷摸摸的）错误？