La puntuación de validación de regresión no se ve bien.

Tengo un problema. Cuando observas la primera foto, puedes ver que la puntuación de validación no se ve bien.
Cuando comento esta línea plt.plot(np.sqrt(val_errors), "b-", linewidth=3, label="val") puedes ver perfectamente el gráfico de entrenamiento.
¿Por qué se ve tan grande el valor de validación?

dfListingsFeature_regresion = pd.read_csv(r"https://raw.githubusercontent.com/Coderanker3/dataset4/main/listings_cleaned.csv")
d = {True: 1, False: 0, np.nan : np.nan} 
dfListingsFeature_regresion['host_is_superhost'] = dfListingsFeature_regresion[
                                                             'host_is_superhost'].map(d).astype('int')

X = dfListingsFeature_regresion.drop(columns=['host_id', 'id', 'price']) # Características
y = dfListingsFeature_regresion['price'] # Variable objetivo
print(dfListingsFeature_nor.shape)

from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split

def plot_learning_curves(model, X, y):
    X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=10)
    train_errors, val_errors = [], []
    for m in range(1, 1000 + 1):
        model.fit(X_train[:m], y_train[:m])
        y_train_predict = model.predict(X_train[:m])
        y_val_predict = model.predict(X_val)
        train_errors.append(mean_squared_error(y_train[:m], y_train_predict))
        val_errors.append(mean_squared_error(y_val, y_val_predict))

plt.figure(figsize=(20,20))
plt.plot(np.sqrt(train_errors), "r-+", linewidth=2, label="train")
plt.plot(np.sqrt(val_errors), "b-", linewidth=3, label="val")
plt.legend(loc="upper right", fontsize=14)
plt.xlabel("Tamaño del conjunto de entrenamiento", fontsize=14)
plt.ylabel("RMSE", fontsize=14)

lin_reg = LinearRegression(copy_X=True, fit_intercept=True, n_jobs=1, normalize=True)
plot_learning_curves(lin_reg, X, y)

plt.axis([0, 80, 0, 3])
plt.show()