Machine learning 精度矩阵不是'；t研究线性回归

请在此提供帮助：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

X = [[1.1],[1.3],[1.5],[2],[2.2],[2.9],[3],[3.2],[3.2],[3.7],[3.9],[4],[4],[4.1],[4.5],[4.9],[5.1],[5.3],[5.9],[6],[6.8],[7.1],[7.9],[8.2],[8.7],[9],[9.5],[9.6],[10.3],[10.5]]
y = [39343,46205,37731,43525,39891,56642,60150,54445,64445,57189,63218,55794,56957,57081,61111,67938,66029,83088,81363,93940,91738,98273,101302,113812,109431,105582,116969,112635,122391,121872]


#implement the dataset for train & test

from sklearn.cross_validation import train_test_split

X_train,X_test,y_train,y_test = train_test_split(X,y,test_size = 1/3,random_state=0)

#implement our classifier based on Simple Linear Regression

from sklearn.linear_model import LinearRegression
SimpleLinearRegression = LinearRegression()
SimpleLinearRegression.fit(X_train,y_train)

y_predict= SimpleLinearRegression.predict(X_test)


from sklearn.metrics import accuracy_score
print(accuracy_score(y_test,y_predict))

---

我肯定我遗漏了一些东西，有没有其他方法来计算回归的准确度分数？提前感谢：）

准确度作为一种度量标准适用于分类问题，因为它被定义为正确预测的标签的一小部分。在您的情况下，您需要进行回归（

线性回归

），即目标变量是连续的。因此，要么你选择了一个错误的模型，要么我的错误，要么准确度对于你的问题来说是一个错误的指标。

准确度作为一个指标适用于分类问题，因为它被定义为正确预测的标签的一小部分。在您的情况下，您需要进行回归（

线性回归

），即目标变量是连续的。因此，要么你选择了一个错误的模型，要么我的错误，要么准确度对于你的问题来说是一个错误的度量。

你可以使用平均绝对误差和均方误差

from sklearn.metrics import mean_absolute_error, mean_squared_error
import numpy as np
MAE = mean_absolute_error(y_test, y_predict)
RMSE = np.sqrt(mean_squared_error(y_test, y_predict))

---

您可以使用平均绝对误差和均方误差

from sklearn.metrics import mean_absolute_error, mean_squared_error
import numpy as np
MAE = mean_absolute_error(y_test, y_predict)
RMSE = np.sqrt(mean_squared_error(y_test, y_predict))

---

我们不能对回归问题使用精度，它只用于分类问题。 您可以使用MSE、RMSE、MAPE、MAE作为矩阵来确定回归模型的性能

---

这些值告诉我们离正确的预测有多远。对于这些情况，值越低越好

我们不能对回归问题使用精度，它只用于分类问题。 您可以使用MSE、RMSE、MAPE、MAE作为矩阵来确定回归模型的性能

---

---

这些值告诉我们离正确的预测有多远。对于这些情况，值越低越好

y=dataset.iloc[：，1]。值不应该是y=dataset.iloc[：，-1]。值？@mamun，我认为是对的。打印正确值：print（X_测试）print（y_测试）我同意@mamun:

X

将包含除最后一列以外的所有列，而目标变量

y

将作为第二列，即它包含在

X

中。根据你的目标变量实际是什么，你或者需要改变

X

或者

y

yy切片规则取代X&y，我还有同样的问题。根据你的目标变量实际是什么，根据你的目标变量是什么，你或者需要改变

X

XX>X>X>X>根据你的实际是你或者你或者需要你要么要么要么要么需要改变X>X>X>X>X>X>X>X>X>X>X>X>X>X>X>X>X>X>X>取代X>X>X>X取代X>X取代X取代X&y取代X&y，y，我，我仍然有同样的问题，我同样的问题。X[[1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1#为列车和测试实现数据集y=[393462055377314352539891566426015054456444557189632185579456957081167938866029830888136394091738982731013021138121094311055821169112635122391121872]y=dataset.iloc[：，1]。值不应该是y=dataset.iloc[：，-1]。值？@mamun，我认为它是正确的。打印正确值：print（X_测试）print（y_测试）我同意@mamun:

X

将包含除最后一列以外的所有列，而目标变量

y

将作为第二列，即它包含在

X

中。根据你的目标变量实际是什么，你或者需要改变

X

或者

y

yy切片规则取代X&y，我还有同样的问题。根据你的目标变量实际是什么，根据你的目标变量是什么，你或者需要改变

X

XX>X>X>X>根据你的实际是你或者你或者需要你要么要么要么要么需要改变X>X>X>X>X>X>X>X>X>X>X>X>X>X>X>X>X>X>X>取代X>X>X>X取代X>X取代X取代X&y取代X&y，y，我，我仍然有同样的问题，我同样的问题。X[[1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1.1#实施列车和测试的数据集y=[393434620537314353989156642601505445644455718963218557945695707081167933866029830888136394091738982731013021138121094311055821169112635122391121872]感谢您的反馈。我们有一些其他精度指标的线性回归，任何链接将是一个很大的帮助。谢谢：）是的，请参阅列表的

回归

部分以了解预定义的回归指标。感谢您的反馈，您始终可以定义一个您喜欢使用的自定义指标。我们有一些其他精度指标的线性回归，任何链接将是一个很大的帮助。谢谢：）是的，请参阅列表的

回归

部分以了解预定义的回归指标。你总是可以定义一个你喜欢使用的自定义度量，它给我带来了错误：回溯（最近一次调用last）：文件“LeanerRegression.py”，第49行，在MAE=mean_Absolute_error（y_test，y_predict）NameError中：名称“mean_Absolute_error”没有定义这里有一个输入错误，我修正了它。但是你应该能够调试它。回溯非常清晰，它给了我均方误差值，在我的数据集上它正在打印：3426.4269374307123，很抱歉，我可以用线性回归数据计算精度。它给了我错误：回溯（最后一次调用）：文件“LeanerRegression.py”，第49行，在MAE=mean_Absolute_error（y_测试，y_预测）NameError:name'mean_Absolute_error'没有定义这里有一个输入错误，我修正了它。但是你应该能够调试它。回溯非常清晰，它给了我均方误差值，在我的数据集上它正在打印：3426.4269374307123，很抱歉，我可以用线性回归数据计算精度。