sklearn中模型的得分函数输出

Question

我试图评估一个模型的性能，但我似乎无法掌握实际返回的分数。文件上说：

Returns the mean accuracy on the given test data and labels.
In multi-label classification, this is the subset accuracy which is a harsh 
metric since you require for each sample that each label set be correctly predicted.

这不是直觉-什么是准确度？我想看看均方误差值来检查模型。如果我的模型的最小均方误差为30%，这是否意味着它的“得分”是70%？如果我运行一个模型，该模型通过交叉验证选择参数，评分函数设置为mean_squared_error，这个“分数”会基于这个计算吗？在

我似乎找不到任何有关这方面的文档-我将非常感谢您的帮助。在

谢谢你！在

Answer 1

accuracy是正确分类的示例的百分比。在

>>> from sklearn.metrics import accuracy_score
>>> y_pred = [0, 2, 1, 3]
>>> y_true = [0, 1, 2, 3]
>>> accuracy_score(y_true, y_pred)
0.5

这里有4个正确分类的例子中的2个，所以准确度是2/4=0.5

如果您使用的是mean_squared_error，那么您的问题就是回归问题。在您的GridSearch中使用此度量将发现最小的错误。在

诀窍是，当进行网格搜索交叉验证时，目标是使得分函数最大化。但是最大化错误将是一个坏主意，所以为了与sklearnapi保持一致，他们将错误的反面作为分数。这样你就可以最大限度地减少错误，从而使你的分数最大化。在

所以如果你想显示你的错误，一定要取分数的绝对值

^{pr2}$