Python/Scikit学习-Can'；t处理多类和连续的混合

我正试着用一个SGDRegressor来匹配我的数据，然后检查准确性。拟合工作正常，但预测结果与原始目标数据的数据类型（？）不同，我得到了错误

ValueError: Can't handle mix of multiclass and continuous

调用

print“accurity:”时，ms.accurity\u分数（y\u测试，预测）

数据如下所示（仅20多万行）：

代码如下：

from sklearn.preprocessing import StandardScaler
import numpy as np
from sklearn.linear_model import SGDRegressor
import numpy as np
from sklearn import metrics as ms

msk = np.random.rand(len(beers)) < 0.8

train = beers[msk]
test = beers[~msk]

X = train [['Price', 'Net price', 'Purchase price','Hour','Product_id','product_group2']]
y = train[['Quantity']]
y = y.as_matrix().ravel()

X_test = test [['Price', 'Net price', 'Purchase price','Hour','Product_id','product_group2']]
y_test = test[['Quantity']]
y_test = y_test.as_matrix().ravel()

clf = SGDRegressor(n_iter=2000)
clf.fit(X, y)
predictions = clf.predict(X_test)
print "Accuracy:", ms.accuracy_score(y_test,predictions)

来自sklearn.preprocessing导入StandardScaler的

将numpy作为np导入
从sklearn.linear_模型导入SGDRegressor
将numpy作为np导入
从SKM学习将度量导入为ms
msk=np.rand.rand（len（beers））<0.8
火车=啤酒[msk]
测试=啤酒[~msk]
X=列车[[‘价格’、‘净价’、‘采购价格’、‘小时’、‘产品标识’、‘产品组2’]]
y=列车[['数量']]
y=y.as_矩阵（）.ravel（）
X_测试=测试[‘价格’、‘净价’、‘购买价格’、‘小时’、‘产品id’、‘产品组2’]]
y_测试=测试[[数量]]
y_test=y_test.as_matrix（）.ravel（）
clf=SGDRegressor（n_iter=2000）
clf.配合（X，y）
预测=clf.预测（X_检验）
打印“准确度：”，ms.Accurance\u分数（y\u测试，预测）

---

我应该怎么做？谢谢大家!

准确度是一种分类标准。你不能将它用于回归。有关各种指标的信息，请参阅。

准确度分数仅用于分类问题。对于回归问题，您可以使用：R2分数、MSE（均方误差）、RMSE（均方根误差）。

那么，我该如何准确预测我的模型呢？我的意思是，如果

clf.predict（X_test）

给我的输出与原来的不同，我该如何使用它呢？这让我感到困惑。@lte\uuuu：一般来说，你不能指望从回归模型中得到准确的结果。你所希望的是，你的预测总体上接近真实值。要确定它们是否足够接近，您需要使用不同的评估指标（回归指标之一）。请参阅我提供的文档链接，它解释了许多度量。您可以考虑使用圆形函数将连续值舍入到最近的整数，从而将连续值转换为离散值。请参阅此，了解Dutse回答的类似问题是否正确。或者您可以使用

y_preds=y_preds>0.5

更改为离散。您可以在这里设置自己的阈值。@SharkDeng您错了，前面的评论也是如此；问题的根本原因已经在下面的答案中指出（链接的答案也是错误的）

from sklearn.preprocessing import StandardScaler
import numpy as np
from sklearn.linear_model import SGDRegressor
import numpy as np
from sklearn import metrics as ms

msk = np.random.rand(len(beers)) < 0.8

train = beers[msk]
test = beers[~msk]

X = train [['Price', 'Net price', 'Purchase price','Hour','Product_id','product_group2']]
y = train[['Quantity']]
y = y.as_matrix().ravel()

X_test = test [['Price', 'Net price', 'Purchase price','Hour','Product_id','product_group2']]
y_test = test[['Quantity']]
y_test = y_test.as_matrix().ravel()

clf = SGDRegressor(n_iter=2000)
clf.fit(X, y)
predictions = clf.predict(X_test)
print "Accuracy:", ms.accuracy_score(y_test,predictions)