linearRegression.score 和 svm.svc 产生的不同结果（内核 = 线性）
Different results produced by linearRegression.score and svm.svc(kernel = linear)
我对机器学习还很陌生。
我有一个数据集，我想对其应用测试训练拆分和交叉验证以进行线性回归。
我尝试使用 train_test_split(X, y, test_size=0.3) 拆分数据集，并且我执行了两个
reg = LinearRegression().fit(X_train,y_train)
reg.score(X_test,y_test)
clf = svm.SVC(kernel = 'linear').fit(X_train,y_train)
clf.score(X_test,y_test)
reg.score 给出了 0.98 的输出，但是 clf.score 只给出了非常低的，接近于 0 的输出。为什么这些结果不同？
我也尝试过
clf = svm.SVC(kernel='linear', C=1, random_state=42)
scores = cross_val_score(clf, X, y, cv=2)
它也给出了非常小的数字，看到了这个警告
UserWarning: The least populated class in y has only 1 members, which is less than n_splits=2.
% (min_groups, self.n_splits)), UserWarning)
我尝试了不同的 cv，但 cv>5 给出错误“n_splits=5 不能大于每个 class 中的成员数。”请注意，我使用的数据集不是二进制或简单的 multiclass。它更像是月度销售数据而不是分类数据。我认为这可能就是它引起警告的原因。这种情况怎么办？
您在这里混淆了回归（对于连续值目标）和分类。
linear regression model 期望一个连续的值目标，它的分数是决定系数。
support vector classifier是一种分类方法，它的分数就是分类准确率。
你声明你的目标不是绝对的，所以我想你会想要使用 support vector regression 而不是 SVC。
既然你说是机器学习的新手，或许也可以看看this tutorial。
我对机器学习还很陌生。
我有一个数据集，我想对其应用测试训练拆分和交叉验证以进行线性回归。
我尝试使用 train_test_split(X, y, test_size=0.3) 拆分数据集，并且我执行了两个
reg = LinearRegression().fit(X_train,y_train)
reg.score(X_test,y_test)
clf = svm.SVC(kernel = 'linear').fit(X_train,y_train)
clf.score(X_test,y_test)
reg.score 给出了 0.98 的输出，但是 clf.score 只给出了非常低的，接近于 0 的输出。为什么这些结果不同？
我也尝试过
clf = svm.SVC(kernel='linear', C=1, random_state=42)
scores = cross_val_score(clf, X, y, cv=2)
它也给出了非常小的数字，看到了这个警告
UserWarning: The least populated class in y has only 1 members, which is less than n_splits=2.
% (min_groups, self.n_splits)), UserWarning)
我尝试了不同的 cv，但 cv>5 给出错误“n_splits=5 不能大于每个 class 中的成员数。”请注意，我使用的数据集不是二进制或简单的 multiclass。它更像是月度销售数据而不是分类数据。我认为这可能就是它引起警告的原因。这种情况怎么办？
您在这里混淆了回归（对于连续值目标）和分类。
linear regression model 期望一个连续的值目标，它的分数是决定系数。
support vector classifier是一种分类方法，它的分数就是分类准确率。
你声明你的目标不是绝对的，所以我想你会想要使用 support vector regression 而不是 SVC。
既然你说是机器学习的新手，或许也可以看看this tutorial。