Python scikit learn中分类和回归分数之间的差异

我是python scikit学习的新手，我使用scikit学习分类方法开发了一个数据挖掘算法，现在我需要找到它的准确性。首先，我只需要知道

Python scikit learn中分类和回归分数之间的区别是什么

有没有其他方法可以计算我的预测算法的准确性

r2_score(y_test,predictions)
f1_score(y_test,predictions)

Regression score (%)== 66%
Classification score (%) == 75%

---

回归：输出变量采用连续值

分类：输出变量采用类标签

---

分数将根据连续值和类标签的结果计算

假设您有一些训练和测试数据，在训练数据上建立模型，然后运行类似于

algo=clf.fit（）

的操作，然后运行

（Y\u test==algo.predict（X\u test））.mean（）

。这将给你你的准确性。查看

sklearn.metrics.mean_absolute_error

和

sklearn.metrics.mean_squared_error

，但我已经使用r2_分数（y_测试，预测）f1_分数（y_测试，预测）评估了我的算法我只是想知道分类和回归分数之间的区别？你理解分类和回归之间的区别吗？这个问题对我来说没有任何意义，有很多方法可以评估回归和分类问题。你想知道r平方和f1的区别吗？如果是这样的话，阅读文档和/或维基百科应该可以回答这个问题。不管怎样，我不认为这是一个适合stackoverflow的编程问题，所以我选择了向下投票。分类树的因变量是分类的和无序的。回归树具有连续值或有序整数值的因变量。