具有交叉验证的 Sklearn 线性回归返回 NA 准确度分数

Posted 2023-03-12

【中文标题】具有交叉验证的 Sklearn 线性回归返回 NA 准确度分数

【英文标题】：Sklearn Linear Regression with Cross Validate Returns NA Accuracy Scores

【发布时间】：2018-11-23 15:35:57

【问题描述】：

我正在运行一个带有基本输入的非常简单的初始线性回归模型。我有一个小数据集并删除了所有空值。我使用交叉验证并传递评分方法，以便能够检索分数以判断欠拟合/过拟合。

但是，我得到了 Null Accuracy：有人知道为什么会发生这种情况吗？

X_train, X_test, y_train, y_test = train_test_split(X,y, random_state=42)

#Linear Regression

lr = linear_model.LinearRegression(fit_intercept=True)

scores_lr = cross_validate(lr, X_train, y_train, return_train_score = True, scoring = ('r2', 'neg_mean_squared_error'), cv=10)

print 'Training Accuracy: ', np.sqrt(-scores_lr['train_r2'].mean())
print 'Training RMSE: ', np.sqrt(-scores_lr['train_neg_mean_squared_error'].mean())
print 'Validation Accuracy: ', np.sqrt(-scores_lr['test_r2'].mean())
print 'Validation RMSE: ', np.sqrt(-scores_lr['test_neg_mean_squared_error'].mean()) 

Training Accuracy:  nan
Training RMSE:  1.0170113520623867
Validation Accuracy:  nan
Validation RMSE:  1.0230034705533613

【参考方案1】：

您似乎在取负数的 sqrt，结果是 nan。您要计算什么度量？精度通常用于分类问题。它被定义为正确预测的类在观察总数中的比例。由于您使用的是线性回归模型并计算均方根误差，因此您的应用领域似乎是回归（使用连续值）。您尝试采用 sqrt 的 R2 度量是您当前模型能够解释的方差分数（笼统地说）。它应该不需要进一步处理。