Склярн метрики единицы измерения точности, средняя абсолютная ошибка, средняя квадратическая ошибка для задач регрессии?

Question

Какая единица измерения имеет точность, среднюю абсолютную ошибку и среднеквадратичную ошибку показателей склеарна? и используются ли они для проблем регрессии? Например, у меня есть regressor.score (X_test, y_test)) около 0,99469. Таким образом, протестированная модель составляет 0,99469 по сравнению с реальными данными? или ты говоришь проц 99%? То же самое с MAE и MSE.

Другой вопрос, я обращаю внимание на матрицу путаницы для задач классификации, а точность - это значение, вычисленное из матрицы путаницы. Я использую множественную линейную регрессию, поэтому могу ли я использовать эти показатели для своей регрессии?

Answer 1

Чтобы ответить на ваш первый вопрос, метрику c, например, , нельзя использовать для задач регрессии . И да, вы правы. Точность рассчитывается с использованием матрицы путаницы, но поскольку у вас есть проблема регрессии, вы не можете получить матрицу путаницы, поскольку она является результатом проблемы классификации, но у вас есть проблема регрессии.

Более того правильными показателями для задачи регрессии являются среднеквадратичная ошибка, средняя абсолютная ошибка и значение R в квадрате. По умолчанию функция regressor.score (X_test, y_test)) выдает значение R в квадрате.

Чтобы упростить его, чем ближе значение к 1 (0,99469 в вашем случае), тем лучше ваша модель. И кажется, что ваша модель работает очень хорошо.

Answer 2

Как правило, metrics.mean_absolute_error(y_true, y_pred) и metrics.mean_squared_error(y_true, y_pred) дают вам соответствующие метрики.

regressor.score(X_test, y_test) - это фактически metrics.r2_score, что является значением R ^ 2, то есть может интерпретироваться как величина отклонения объясняется моделью. В вашем случае вы бы сказали, что 99,469% различий в данных объясняется вашей моделью (для данных обучения).

Проверка: https://scikit-learn.org/stable/modules/model_evaluation.html#regression -метрика

и http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html

Традиционно, матрицы путаницы не используются для регрессии проблемы, но есть другие способы оценки вашей модели mlr, все (для sklearn) связаны выше