sklearn中模型的得分函数输出答案

【问题标题】：Output of score function for model in sklearnsklearn中模型的得分函数输出
【发布时间】：2016-07-25 00:45:15
【问题描述】：

我正在尝试评估模型的性能，但我似乎无法掌握实际返回的分数。文档说：

Returns the mean accuracy on the given test data and labels.
In multi-label classification, this is the subset accuracy which is a harsh 
metric since you require for each sample that each label set be correctly predicted.

这不直观 - 这里的准确性是什么？我想查看均方误差的值来检查模型。因此，如果我的模型的 MSE 为 30%，这是否意味着它的“分数”为 70%？如果我运行一个通过交叉验证选择参数的模型，评分函数设置为mean_squared_error，这个“分数”是否会基于此计算？

我似乎找不到任何关于此的文档 - 我非常感谢您的帮助。

谢谢！

【问题讨论】：

标签： python python-3.x scikit-learn

【解决方案1】：

accuracy 是正确分类示例的百分比。

>>> from sklearn.metrics import accuracy_score
>>> y_pred = [0, 2, 1, 3]
>>> y_true = [0, 1, 2, 3]
>>> accuracy_score(y_true, y_pred)
0.5

这里有 4 个样本中有 2 个分类正确，所以准确度是 2/4 = 0.5

如果您使用的是 mean_squared_error，那么您的问题是回归问题。在你的 GridSearch 中使用这个指标会发现最低的错误。

诀窍是，在进行网格搜索交叉验证时，目标是最大化得分函数。但是最大化错误将是一个坏主意，因此为了与 sklearn API 保持一致，他们将与您的错误相反的值作为分数。通过这样做，您可以通过最小化错误来最大化您的分数。

所以如果你想显示你的错误，请确保你取分数的绝对值

>>> abs(grid_search.best_score_)
3.2

【讨论】：