scikit-learn-explained_variance_score

Question

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.]

Answer 1

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。

Answer 2

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。