Logistic回归平均值

Question

注意：我很欣赏大量的评论，认为这不适合量化模型性能。然而，这与我的错误无关，而且这种错误发生在其他各种度量中。另外，请参阅here以了解当您认为操作是“问错问题”时的适当响应方式

我有一个sklearn物流模型，我正试图得到RMSE。然而，当我.predict_proba时，我得到了一个概率向量。然而，我的y_test是它的范畴形式，sklearn.linear_model.LogisticRegression只是自动处理。在

我如何协调这两件事来得到RMSE？在

>>> sklearn.metrics.mean_squared_error(y_test, pred_proba, sample_weight=weights_test)
ValueError: y_true and y_pred have different number of output (1!=13)

Answer 1

以下是计算RMSE的方法：

import numpy as np
from sklearn.metrics import mean_squared_error
x = np.range(10)
y = x
rmse = np.sqrt(mean_squared_error(x, y))

Answer 2

predict_proba正在预测一个样本属于某个类的概率。这些概率的arg max是预测类（范畴形式）。RMSE不是分类的度量。如果要评估模型，请考虑另一个度量，如accuracy_score：

from sklearn.metrics import accuracy_score
predictions = your_model.predict(X_test)
print("Accuracy: %.3f" % accuracy_score(y_test, predictions))

Answer 3

brier评分，基本上是均方误差，对于利用概率得分的分类模型来说，是一个已知且有效的损失函数；我也来看看这一点。在

对于您的特定问题，您需要比较为目标类返回的概率，即二进制类问题：

from sklearn.metrics import brier_score_loss

probs = your_model.predict_proba(X_test)
brier_score_loss(y_true, probs[:, 1])

我不确定brier是否被正式定义为多类问题。我要指出平均误分类错误的概念，即平均跨类错误。在

要在sklearnapi中利用这个特性，请对y\u进行绝对编码，即每个类都有自己的列，并调用

在sklearn.metrics.mean_平方误差（y_true，probs，multioutput='uniform_average'）