[英]scikit-learn - explained_variance_score
我正在使用 scikit-learn 构建一个样本分类器,该分类器由 svm 训练和测试。 现在我想分析分类器并找到了explained_variance_score,但我不明白这个分数。 例如,我得到了 clf 的分类报告,它看起来像这样......
precision recall f1-score support
0.0 0.80 0.80 0.80 10
1.0 0.80 0.80 0.80 10
avg / total 0.80 0.80 0.80 20
不错,但 EVS 仅为0.2
...有时是-0.X
...那么这怎么会发生呢? 拥有一个好的 EVS 很重要吗? 也许有人可以向我解释这个...
Y_true 和 Y_pred:
[ 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 0. 0. 0. 0. 0. 0. 0. 0.
0. 0.]
[ 1. 1. 1. 1. 1. 0. 0. 1. 1. 1. 1. 0. 0. 0. 0. 0. 1. 0.
0. 0.]
解释方差是一个回归度量,这对于分类问题没有很好地定义,将其应用于此类测试是没有意义的。 这是一种验证支持向量回归、线性回归等模型的方法。
Explain_variance_score,EVS 告诉您模型解释了多少方差。 最大值为一。 EVS 越高越好是您的模型。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.