scikit-learn - Explained_variance_score

Posted 2023-03-12

【中文标题】scikit-learn - Explained_variance_score

【英文标题】：scikit-learn - explained_variance_score

【发布时间】：2013-08-20 12:27:45

【问题描述】：

我正在使用 scikit-learn 构建一个样本分类器，该分类器由 svm 训练和测试。现在我想分析分类器并找到explained_variance_score 但我不明白这个分数。例如，我得到了 clf 的分类报告，它看起来像这样......

             precision    recall  f1-score   support

        0.0       0.80      0.80      0.80        10
        1.0       0.80      0.80      0.80        10

avg / total       0.80      0.80      0.80        20 

不错，但 EVS 只有 0.2...有时是 -0.X...所以这怎么会发生？拥有一个好的EVS重要吗？也许有人可以解释一下...

Y_true 和 Y_pred：

[ 1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  0.  0.  0.  0.  0.  0.  0.  0.
  0.  0.]

[ 1.  1.  1.  1.  1.  0.  0.  1.  1.  1.  1.  0.  0.  0.  0.  0.  1.  0.
  0.  0.]

【问题讨论】：

你试过用谷歌搜索“解释的差异”吗？

【参考方案1】：

解释的方差是一个回归指标，这对于分类问题没有很好的定义，将其应用于此类测试是没有意义的。这是一种用于验证支持向量回归、线性回归等模型的方法。

【讨论】：

逻辑回归是一个分类模型，所以解释的_variance_score是不合适的；）

确实，从答案中删除了逻辑回归。

虽然这是一篇相当老的帖子，但我要补充一点，严格来说，逻辑回归是一种独立的回归算法，而不是分类。我会参考stats.stackexchange.com/questions/127042/…

【参考方案2】：

explained_variance_score，EVS 告诉您模型解释了多少方差。最大值为一。 EVS 越高，您的模型越好。