我不使用 Python，所以我无法确切告诉您发生了什么，但我快速查看了您的数据：

几点说明：

• 看起来绝大多数点都是通过插值人工创建的。为什么不呢，但这不太可能反映价格变化的现实：我预计汽车价格的真实数据集中会有更多的变化/噪音。
• 无论如何都不需要向数据集添加这么多点。有了所有这些数据，甚至不需要训练模型，因为几乎所有可能的实例都已经在数据中了。
• 在我看来，预测年份有些奇怪：通常预测年份越高，价格下跌的越多，对吧？这里第 0 年完全没有减少，第 1 年的减少幅度最大，...，第 4 年几乎没有减少。这可能会混淆模型。
• 因为它主要是一个人工数据集，所以关系非常简单：基本回归future_price = past_price * a + b已经给出了很好的结果，并且在添加prediction_year特征时可以完美地学习关系。至少 MLP 和随机森林应该给出近乎完美的结果。
• 通过快速查看代码，我怀疑问题与缩放有关。我不确定那里应该发生什么，因为我不熟悉这些功能：可能是预测值最后需要“未缩放”？无论如何，我认为这里根本不需要缩放它。

为了记录，图表是用 R 完成的，如下所示：

library(ggplot2)
d<-read.table('interpolated_dataframe.csv',sep=',',header=TRUE)
ggplot(d,aes(past_price,future_price,colour=factor(prediction_year)))+geom_point()