计算预测连续值的准确度分数

Posted 2023-03-12

【中文标题】计算预测连续值的准确度分数

【英文标题】：Calculating accuracy scores of predicted continuous values

【发布时间】：2018-08-12 16:13:37

【问题描述】：

from sklearn.metrics import accuracy_score
accuracy_score(y_true, y_pred)

我相信这段代码将返回我们预测的准确性。但是，我正在比较连续值的预测值和实际值，我相信它们中的大多数不会完全相同。

我是否应该拟合测试集值并绘制预测值以获得 R 平方？

谁能告诉我在连续变量的情况下如何衡量预测的准确性？

【问题讨论】：

没有为回归问题（即连续输出）定义准确度，比如你的；看看this thread 中的讨论（它是针对 Keras，但论点是一样的）。

【参考方案1】：

在机器学习中，精度是针对离散值（类）定义的。它被定义为正确预测与总预测的比例。

因此，真实值为 320 的值 319 的预测仍然是不正确的预测。

因此不建议计算连续值的准确性。对于此类值，您需要计算预测值与真实值的接近程度。这种预测连续值的任务称为回归。并且一般使用R平方值来衡量模型的性能。

您可以将r2_score(y_true, y_pred) 用于您的场景。

回归任务（连续变量预测）有多种指标，例如：-

均方误差， 平均绝对误差， 方差分数等

您可以在here 获取有关这些指标的 sklearn 实施的更多信息。

【讨论】：

我会省略“大部分”

@desertnaut 完成。谢谢。我主要是因为一些工具没有明确地知道这种差异。我也在考虑标签被编码然后用户可以计算准确性的场景，尽管这不适用于这种情况。