哪个度量单位具有 sklearn 指标的准确度、平均绝对误差和均方误差？它们是否用于回归问题？ 例如，我的 regressor.score(X_test,y_test)) 约为 0.99469。那么测试模型与真实数据相比是 0.99469？还是你说 99% 的百分比？ MAE 和 MSE 也是如此。
另一个问题是，关于分类问题的混淆矩阵，准确率是从混淆矩阵中计算出来的值。我使用多元线性回归，那么我可以将这些指标用于我的回归吗？
【问题讨论】：
标签： python machine-learning scikit-learn metrics confusion-matrix
要回答您的第一个问题，准确度等指标不能用于回归问题。是的，你是对的。准确率是使用混淆矩阵计算的，但由于您有回归问题，因此无法获得混淆矩阵，因为它是分类问题的输出，但您有回归问题。
此外，回归问题的正确度量是均方误差、平均绝对误差和 R 平方值。默认情况下，regressor.score(X_test,y_test)) 函数会给出 R 平方值。
为方便起见，该值越接近 1（在您的情况下为 0.99469），您的模型就越好。而且看起来您的模型表现得非常好。
【讨论】：
通常，metrics.mean_absolute_error(y_true, y_pred) 和 metrics.mean_squared_error(y_true, y_pred) 会为您提供相应的指标。
regressor.score(X_test, y_test) 实际上是metrics.r2_score，它是 R^2 值，即可以解释为模型解释的方差量。在您的情况下，您会说数据中 99.469% 的变化是由您的模型解释的（对于训练数据）。
检查：https://scikit-learn.org/stable/modules/model_evaluation.html#regression-metrics
和http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html
传统上，混淆矩阵不用于回归问题，但还有其他方法可以评估您的 mlr 模型，所有（sklearn）都在上面链接
【讨论】：