Python sklearn metrics回归问题的精度度量单位、绝对平均误差、均方误差？

哪个测量单位具有sklearn度量的准确性、绝对平均误差和均方误差？它们是否用于回归问题？ 例如，我有一个回归系数，分数（X_检验，y_检验）约为0.99469。那么，与实际数据相比，测试模型为0.99469？或者你说99%的百分比？ MAE和MSE也是如此

---

另一个问题是，关于分类问题的混淆矩阵，精度是从混淆矩阵中计算出来的值。我使用多元线性回归，那么我可以使用这些指标进行回归吗

通常，

度量。绝对平均误差（y\u true，y\u pred）

和

度量。均方误差（y\u true，y\u pred）

将给出相应的度量

regressor.score（X_检验，y_检验）

是有效的

度量。r2_得分

是R^2值，即可以解释为模型解释的方差量。在你的例子中，你会说99.469%的数据变化是由你的模型（对于训练数据）解释的

检查：

及

---

传统上，混淆矩阵不用于回归问题，但有其他方法来评估mlr模型，所有（用于

sklearn

）都链接在上面要回答第一个问题，诸如精度之类的度量不能用于回归问题。是的，你是对的。使用混淆矩阵计算精度，但由于存在回归问题，因此无法获得混淆矩阵，因为它是分类问题的输出，但存在回归问题

此外，回归问题的正确度量是均方误差、平均绝对误差和R平方值。默认情况下，回归器.score（X_检验，y_检验）函数给出R平方值

为了方便起见，该值越接近1（在您的情况下为0.99469），您的模型就越好。看起来你的模型表现得很好