Python 什么'；拟合模型的评分方法与scikit learn的准确度评分之间的差异是什么？

我通常只是将此发布到Stack Overflow，但我想了想，意识到这实际上不是一个编码问题，而是一个ML问题

任何关于代码或任何其他内容的反馈都将受到充分的赞赏和欢迎

所以我在做卡格尔号上的泰坦尼克号问题。我准备好了四个数据集：

• 火车的特点
• 特征检验
• 目标列车
• 靶标试验

考虑到这一点，我有两个问题，尽管第二个问题很重要

问题1：我对下一步的理解正确吗？

我们在训练数据上拟合我们的模型，然后我们创建一个预测（pred），它试图根据我们的特征和测试数据进行预测。这意味着我们的pred和target_测试数据集在理论上应该是相同的（如果模型运行良好）

这意味着为了证明模型的准确性，我们可以简单地比较pred和target_测试之间的结果，这是准确性_评分函数从Sklearn中所做的

问题2：使用模型的评分方法与准确度评分函数有什么区别？

这就是让我困惑的地方。您可以在单元格97中看到我使用的“Model 1”标题下的第一个单元格：

clf.score(features_test, target_test)

这是由于

0.8609865470852018

但是，稍后，我还使用：

from sklearn.metrics import accuracy_score
print(accuracy_score(target_test, pred))

这也导致了

0.8609865470852018

---

这两个分数如何相同？我做错什么了吗？或者这两个步骤基本上都在做相同的事情？怎样。。？

score（）

属性是否有效地创建了一个

pred

数据帧并在后台进行检查？

对于此类问题，可以说您最好的朋友是文档；引用scikit学习文档：

有3种不同的API用于评估模型质量 预测：

• 估计员得分方法：估计员有一个

  得分

  方法，为他们设计的问题提供默认的评估标准 解决。本页未讨论这一点，但在每个估计器的 文件
• 评分参数：使用交叉验证的模型评估工具（例如

  模型选择。交叉值

  和

  model_selection.GridSearchCV

  ）依赖于内部评分策略。 评分参数：定义模型一节对此进行了讨论 评价规则
• 度量函数：

  度量

  模块为特定目的实现评估预测误差的函数。这些指标是 有关分类指标、多标签排名的详细信息，请参见章节 指标、回归指标和聚类指标

在代码（、和）中使用的所有3个分类器的文档中，有相同的描述：

得分（X，y，样本重量=无）
返回数据集上的平均精度 给定测试数据和标签

这回答了您关于所用特定型号的第二个问题

尽管如此，在盲目相信估计器附带的

score

方法之前，您应该始终检查文档；例如，

score

返回确定系数R^2，这实际上从未被构建预测模型的ML从业者使用过（统计学家经常使用它建立解释性模型，但这是另一回事）

---

顺便说一句，我粗略地看了一下您链接到的代码，我看到您计算了MSE、MAE和RMSE等指标——请记住，这些是回归指标，它们在分类设置中没有意义，比如您在这里遇到的分类设置（反过来，在回归设置中准确度是没有意义的）…

clf.score和Accurance\u score都计算相同的指标。它们都计算正确分类的标签分数。