回归模型的K折交叉验证指标

问题描述

我想对回归模型（非分类）进行交叉验证，最终得出的平均准确度约为0.90。但是，我不知道该方法使用什么度量标准来找出准确性。我知道k倍交叉验证中的拆分是如何工作的。我只是不知道scikit学习库用于计算预测准确性的公式。 （我知道它如何用于分类模型）。有人可以给我sklearn.model_selection.cross_val_score使用的度量/公式吗？

谢谢。

from sklearn.model_selection import cross_val_score
def metrics_of_accuracy(classifier,X_train,y_train) :
accuracies = cross_val_score(estimator = classifier,X = X_train,y = y_train,cv = 10)
accuracies.mean()
accuracies.std()
return accuracies

解决方法

默认情况下，当使用model.score方法（对于cross_val_score相同）时，sklearn在分类的情况下使用准确性，在回归时使用r2_score进行回归。所以在这种情况下，r2_score的公式是 r2 = 1-（SSE（y_hat）/ SSE（y_mean）） 哪里 SSE（y_hat）是做出预测的平方误差 当所有预测都是实际预测的均值时，SSE（y_mean）是平方误差

,

是的，我也可以通过sklearn.metrics-> r2_score使用相同的指标。 r2_score（y_true，y_pred）。此分数也称为确定系数或R平方。

相同的公式如下- 在下面找到图像的链接。 https://i.stack.imgur.com/USaWH.png

有关此的更多信息- https://en.wikipedia.org/wiki/Coefficient_of_determination