sklearn metrics 精度测量单位，平均绝对误差，回归问题的均方误差？
sklearn metrics units of Measurement of accuracy, mean absolut error, mean squared error for regression problems?
sklearn 指标的准确度、平均绝对误差和均方误差是哪个测量单位？它们是否用于回归问题？
例如，我的 regressor.score(X_test,y_test)) 约为 0.99469。那么与真实数据相比，测试模型是 0.99469？或者你说百分之九十九？
MAE 和 MSE 也一样。
另一个问题是，我对分类问题的混淆矩阵很感兴趣，准确率是从混淆矩阵计算出来的值。我使用多元线性回归，那么我可以将这些指标用于我的回归吗？
一般来说，metrics.mean_absolute_error(y_true, y_pred) 和 metrics.mean_squared_error(y_true, y_pred) 会给你相应的指标。
regressor.score(X_test, y_test) 实际上是 metrics.r2_score，即 R^2 值，即可以解释为模型解释的方差量。在您的情况下，您会说数据中 99.469% 的变化由您的模型（对于训练数据）解释。
检查：https://scikit-learn.org/stable/modules/model_evaluation.html#regression-metrics
和http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html
传统上，混淆矩阵不用于回归问题，但还有其他方法可以评估您的 MLR 模型，所有（对于 sklearn）都在上面链接
回答你的第一个问题，准确性等指标不能用于回归问题。是的，你是对的。准确率是使用混淆矩阵计算的，但是由于你有一个回归问题，你不能得到混淆矩阵，因为它是分类问题的输出，但你有一个回归问题。
此外，回归问题的正确指标是均方误差、平均绝对误差和 R 平方值。默认情况下，regressor.score(X_test,y_test)) 函数给出 R 平方值。
为简单起见，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非常好。
sklearn 指标的准确度、平均绝对误差和均方误差是哪个测量单位？它们是否用于回归问题？ 例如，我的 regressor.score(X_test,y_test)) 约为 0.99469。那么与真实数据相比，测试模型是 0.99469？或者你说百分之九十九？ MAE 和 MSE 也一样。
另一个问题是，我对分类问题的混淆矩阵很感兴趣，准确率是从混淆矩阵计算出来的值。我使用多元线性回归，那么我可以将这些指标用于我的回归吗？
一般来说，metrics.mean_absolute_error(y_true, y_pred) 和 metrics.mean_squared_error(y_true, y_pred) 会给你相应的指标。
regressor.score(X_test, y_test) 实际上是 metrics.r2_score，即 R^2 值，即可以解释为模型解释的方差量。在您的情况下，您会说数据中 99.469% 的变化由您的模型（对于训练数据）解释。
检查：https://scikit-learn.org/stable/modules/model_evaluation.html#regression-metrics
和http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html
传统上，混淆矩阵不用于回归问题，但还有其他方法可以评估您的 MLR 模型，所有（对于 sklearn）都在上面链接
回答你的第一个问题，准确性等指标不能用于回归问题。是的，你是对的。准确率是使用混淆矩阵计算的，但是由于你有一个回归问题，你不能得到混淆矩阵，因为它是分类问题的输出，但你有一个回归问题。
此外，回归问题的正确指标是均方误差、平均绝对误差和 R 平方值。默认情况下，regressor.score(X_test,y_test)) 函数给出 R 平方值。
为简单起见，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非常好。