Python scikit learn中分类和回归分数的区别答案

【问题标题】：Difference between classification and regression score in Python scikit learnPython scikit learn中分类和回归分数的区别
【发布时间】：2014-06-19 19:49:38
【问题描述】：

我是 python scikit learning 的新手，我使用 scikit learn 分类方法开发了一种数据挖掘算法，现在我需要找到它的准确性。首先只需要知道，

Python scikit learn 中的分类和回归分数有什么区别？

还有其他方法可以计算我的预测算法的准确性吗？

r2_score(y_test,predictions)
f1_score(y_test,predictions)

Regression score (%)== 66%
Classification score (%) == 75%

【问题讨论】：

假设你有一些训练和测试数据，在训练数据上构建你的模型，然后运行 algo = clf.fit() 和 (Y_test == algo.predict(X_test)).mean() 之类的东西。这将为您提供准确性。查看sklearn.metrics.mean_absolute_error 和sklearn.metrics.mean_squared_error
但我已经使用 r2_score(y_test,predictions) f1_score(y_test,predictions) 评估了我的算法，我只想知道分类和回归分数之间的区别？
你了解分类和回归的区别吗？
这个问题对我来说没有任何意义，有很多方法可以评估回归和分类问题。您想知道 r-squared 和 f1 之间的区别吗？如果是这样，阅读文档和/或维基百科应该会为您解答。无论如何，我看不出这是一个适合 stackoverflow 的编程问题，所以我不赞成。
分类树具有分类和无序的因变量。回归树的因变量是连续值或有序整数值。

标签： python classification scikit-learn regression

【解决方案1】：

回归：输出变量取连续值。

分类：输出变量采用类标签。

将根据连续值和类标签的结果计算分数

【讨论】：