Python sklearn.fit（）和.score（）之间的关系

在使用线性回归模型时，我将数据分为训练集和测试集。然后，我使用以下公式计算R^2、RMSE和MAE：

lm.fit(X_train, y_train)
R2 = lm.score(X,y)
y_pred = lm.predict(X_test)
RMSE = np.sqrt(metrics.mean_squared_error(y_test, y_pred))
MAE = metrics.mean_absolute_error(y_test, y_pred)

我以为我是在计算整个数据集的R^2（而不是比较训练数据和原始数据）。但是，我了解到，在评分之前，您必须先对模型进行拟合，因此我不确定是对原始数据（如R2中输入的）还是我用于拟合模型的数据（X_序列和y_序列）进行评分。当我跑步时：

lm.fit(X_train, y_train)
lm.score(X_train, y_train)

我得到的结果与我在得分X和y时得到的结果不同。所以我的问题是，与拟合的模型相比，.score参数的输入是（从而使lm.fit（X，y）；lm.score（X，y）成为原始数据的R^2值，而lm.fit（X，y）是基于.fit中创建的模型的原始数据的R^2值）还是完全发生了其他事情？

fit（）只适合与训练同义的数据，即适合数据意味着训练数据。 分数有点像测试或预测

因此，应该使用不同的数据集来训练分类器并测试其准确性 一个人可以这样做。 X_序列，X_测试，y_序列，y_测试=交叉验证。序列测试分割（X，y，测试大小=0.2） clf=neighborsClassifier（）的邻居 clf.fit（X_系列、y_系列） 准确度=clf。分数（X_检验，y_检验）

fit（）只拟合与训练同义的数据，即拟合数据意味着训练数据。 分数有点像测试或预测

因此，应该使用不同的数据集来训练分类器并测试其准确性 一个人可以这样做。 X_序列，X_测试，y_序列，y_测试=交叉验证。序列测试分割（X，y，测试大小=0.2） clf=neighborsClassifier（）的邻居 clf.fit（X_系列、y_系列）

---

准确度=clf。分数（X_检验，y_检验）

IIRC

。分数

是运行

的快捷方式。预测
然后计算准确度。因此，当我运行
lm时，您只需将它交给
X\u test
和
y\u test
@l3via即可。score（X\u test，y\u pred）
结果为1.0，这证实了您的解释IIRC
。score
是运行
的快捷方式。预测
，然后计算准确度。因此，当我运行
lm.score（X\u test，y\u pred）
时，您只需将其交给
X\u test
和
y\u test
@l3via即可。结果为1.0，这证实了您的解释