Python 准确度评分值错误：Can'；t处理二进制和连续目标的混合

我正在使用scikit学习中的

线性模型。线性回归

作为预测模型。它很好用，很完美。我在使用

准确度评分

指标评估预测结果时遇到问题

这是我真实的数据：

array([1, 1, 0, 0, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0])

我的预测数据：

array([ 0.07094605,  0.1994941 ,  0.19270157,  0.13379635,  0.04654469,
    0.09212494,  0.19952108,  0.12884365,  0.15685076, -0.01274453,
    0.32167554,  0.32167554, -0.10023553,  0.09819648, -0.06755516,
    0.25390082,  0.17248324])

accuracy_score(y_true, y_pred, normalize=False)

ValueError: Can't handle mix of binary and continuous target

我的代码：

array([ 0.07094605,  0.1994941 ,  0.19270157,  0.13379635,  0.04654469,
    0.09212494,  0.19952108,  0.12884365,  0.15685076, -0.01274453,
    0.32167554,  0.32167554, -0.10023553,  0.09819648, -0.06755516,
    0.25390082,  0.17248324])

accuracy_score(y_true, y_pred, normalize=False)

ValueError: Can't handle mix of binary and continuous target

错误消息：

array([ 0.07094605,  0.1994941 ,  0.19270157,  0.13379635,  0.04654469,
    0.09212494,  0.19952108,  0.12884365,  0.15685076, -0.01274453,
    0.32167554,  0.32167554, -0.10023553,  0.09819648, -0.06755516,
    0.25390082,  0.17248324])

accuracy_score(y_true, y_pred, normalize=False)

ValueError: Can't handle mix of binary and continuous target

---

问题是真正的y是二进制的（0和1），而你的预测不是。您可能生成了概率，而不是预测，因此结果：）

---

尝试生成类成员资格，它应该会起作用

准确度\分数是一种分类指标，不能用于回归问题

---

sklearn.metrics.Accurance\u得分（y\u true，y\u pred）方法将

y\u pred定义为

：

y_pred：1d类似数组，或标签指示符数组/稀疏矩阵。 分类器返回的预测标签

这意味着

y_pred

必须是1或0（谓词标签）的数组。它们不应该是概率

预测标签（1和0）和/或预测概率可分别使用

LinearRegression（）

模型的方法

predict（）

和

predict_proba（）

生成

1。生成预测标签：

array([ 0.07094605,  0.1994941 ,  0.19270157,  0.13379635,  0.04654469,
    0.09212494,  0.19952108,  0.12884365,  0.15685076, -0.01274453,
    0.32167554,  0.32167554, -0.10023553,  0.09819648, -0.06755516,
    0.25390082,  0.17248324])

accuracy_score(y_true, y_pred, normalize=False)

ValueError: Can't handle mix of binary and continuous target

LR=linear_model.LinearRegression（）
y_preds=LR.预测（X_检验）
打印（y_preds）

输出：

[1 1 0 1]

y\u preds

现在可以用于

accurity\u score（）

方法：

accurity\u score（y\u true，y\u pred）

2。为标签生成概率：

array([ 0.07094605,  0.1994941 ,  0.19270157,  0.13379635,  0.04654469,
    0.09212494,  0.19952108,  0.12884365,  0.15685076, -0.01274453,
    0.32167554,  0.32167554, -0.10023553,  0.09819648, -0.06755516,
    0.25390082,  0.17248324])

accuracy_score(y_true, y_pred, normalize=False)

ValueError: Can't handle mix of binary and continuous target

一些指标，如“精度-回忆-曲线（y\u-true，probas\u-pred）”要求概率，可按如下方式生成：

LR=linear_model.LinearRegression（）
y_preds=LR.预测概率（X_检验）
打印（y_preds）

输出：

[0.87812372 0.77490434 0.30319547 0.84999743]

---

尽管这里有过多的错误答案试图通过数字操纵预测来规避错误，但错误的根本原因是理论问题而非计算问题：您试图在回归（即数字预测）模型中使用分类度量（精度）（

线性回归

），这是毫无意义的

与大多数性能指标一样，准确度将苹果与苹果进行比较（即真实标签为0/1，预测值再次为0/1）；因此，当您要求函数将二进制真标签（apples）与连续预测（oranges）进行比较时，您会得到一个预期错误，其中消息从计算角度准确地告诉您问题是什么：

Classification metrics can't handle a mix of binary and continuous target

尽管消息没有直接告诉您，您正在尝试计算一个对您的问题无效的度量（我们实际上不应该期望它走那么远），但scikit learn至少给您一个直接和明确的警告，表明您正在尝试错误的东西，这当然是一件好事；其他框架不一定如此——例如，请参阅，您根本没有收到任何警告，而有人最终抱怨回归设置中的“准确性”较低

我对这里的所有其他答案（包括被接受的、高投票率的答案）都非常惊讶，这些答案有效地建议操纵预测，以便简单地消除错误；的确，一旦我们得到一组数字，我们当然可以开始以各种方式（舍入、阈值等）与它们混合，以使代码正常工作，但这当然并不意味着我们的数字操作在我们试图解决的ML问题的特定上下文中是有意义的

因此，总结一下：问题是您正在为您的模型应用不合适的度量（精度）（

LinearRegression

）：如果您处于分类设置中，您应该更改您的模型（例如，改为使用

LogisticRegression

）；如果您处于回归（即数值预测）设置中，则应更改度量。检查，您可以确认精度仅用于分类

还将情况与a进行比较，OP试图获得模型列表的准确性：

models = []
models.append(('SVM', svm.SVC()))
models.append(('LR', LogisticRegression()))
models.append(('LDA', LinearDiscriminantAnalysis()))
models.append(('KNN', KNeighborsClassifier()))
models.append(('CART', DecisionTreeClassifier()))
models.append(('NB', GaussianNB()))
#models.append(('SGDRegressor', linear_model.SGDRegressor())) #ValueError: Classification metrics can't handle a mix of binary and continuous targets
#models.append(('BayesianRidge', linear_model.BayesianRidge())) #ValueError: Classification metrics can't handle a mix of binary and continuous targets
#models.append(('LassoLars', linear_model.LassoLars())) #ValueError: Classification metrics can't handle a mix of binary and continuous targets
#models.append(('ARDRegression', linear_model.ARDRegression())) #ValueError: Classification metrics can't handle a mix of binary and continuous targets
#models.append(('PassiveAggressiveRegressor', linear_model.PassiveAggressiveRegressor())) #ValueError: Classification metrics can't handle a mix of binary and continuous targets
#models.append(('TheilSenRegressor', linear_model.TheilSenRegressor())) #ValueError: Classification metrics can't handle a mix of binary and continuous targets
#models.append(('LinearRegression', linear_model.LinearRegression())) #ValueError: Classification metrics can't handle a mix of binary and continuous targets

其中前6个模型工作正常，而所有其他（注释掉的）模型给出相同的错误。到现在为止，您应该能够说服自己，所有被注释掉的模型都是回归（而不是分类）模型，因此是正确的错误

最后一个重要提示：某人声称：

好的，但我想用线性回归，然后 四舍五入/设定输出阈值，有效地将预测视为 “概率”，从而将模型转换为分类器

---

事实上，这已经在这里的其他几个答案中暗示过了，无论是否暗示；同样，这是一种无效的方法（你有负面预测的事实应该已经提醒你，它们不能被解释为概率）。安得烈NG在Coursera流行的机器学习课程中，解释了为什么这是一个坏主意——在YouTube上看到他（解释在凌晨3点开始），以及章节“强＞4.2”为什么不是Hastie的（高度推荐和免费提供）教科书的线性回归[分类] < <强> >Tibshirani及其同事…

错误是因为y_pred和y_true的数据类型不同。y_true可能是dataframe，y_pred可能是arraylist。若您将两者都转换为数组，那个么问题将得到解决。

只需使用

y_pred = (y_pred > 0.5)
accuracy_score(y_true, y_pred, normalize=False)

---

我也面临同样的问题。y_测试和y_pred的数据类型是不同的。确保两者的数据类型相同。

---

线性回归

产生数值预测，而不是概率；该问题是由于试图在回归设置中使用精度，而