拟合模型上的 score 方法与 scikit-learn 中的accuracy_score 有什么区别？

Question

我通常只是将其发布到 Stack Overflow，但我考虑了一下并意识到这实际上不是一个编码问题 - 这是一个 ML 问题。

对代码或其他任何内容的任何其他反馈都非常感谢和欢迎！

Jupyter 笔记本

所以我正在 Kaggle 上做这个巨大的问题。我准备好了四个数据集：

• features_train
• 功能测试
• 目标火车
• 目标_测试

考虑到这一点，我有两个问题，尽管第二个是重要的。

问题1：我对下一步的理解是否正确？

我们在训练数据上拟合我们的模型，然后我们创建一个预测 ( pred )，它试图根据我们的features_test数据进行预测。这意味着我们的pred和target_test数据集理论上应该是相同的（如果模型运行良好）。

这意味着为了证明模型的准确性，我们可以简单地比较pred和target_test之间的结果，这正是Sklearn 中的accuracy_score函数所做的。

问题2：使用模型的score方法和accuracy_score函数有什么区别？

这就是让我困惑的地方。您可以在单元格 97 中看到我使用的“模型 1”标题下的第一个单元格：

clf.score(features_test, target_test)

这是结果

0.8609865470852018

但是，后来，我也使用：

from sklearn.metrics import accuracy_score
print(accuracy_score(target_test, pred))

这也导致

0.8609865470852018

这两个分数怎么一样？我做错了什么吗？或者这两个步骤基本上都在做同样的事情？如何..？该score()属性是否有效地创建了一个predDataframe 并在后台进行检查？

Answer 1

对于此类问题，可以说您最好的朋友是文档；引用 scikit-learn 文档中关于模型评估的内容：

有 3 种不同的 API 可用于评估模型预测的质量：

• 估算器评分方法：估算器有一种score方法，为它们旨在解决的问题提供默认评估标准。本页未讨论这一点，而是在每个估算器的文档中讨论。
• 评分参数：使用交叉验证（例如model_selection.cross_val_score和 model_selection.GridSearchCV）的模型评估工具依赖于内部评分策略。评分参数：定义模型评估规则部分对此进行了讨论。
• 度量函数：该metrics模块实现了为特定目的评估预测误差的函数。这些指标在分类指标、多标签排名指标、回归指标和聚类指标的部分中有详细说明。

在您在代码中使用的所有 3 个分类器（逻辑回归、随机森林和决策树）的文档中，有相同的描述：

score ( X, y, sample_weight=None )
返回给定测试数据和标签的平均准确率。

这回答了您对所使用的特定模型的第二个问题。

尽管如此，在盲目相信score估算器附带的方法之前，您应该始终检查文档；在线性回归和desision树回归量，例如，score返回判定R ^ 2，这实际上从未使用ML从业者建立的系数的预测模型（它是经常使用的统计人员构建说明模型，但是另一回事）。

顺便说一句，我简要地瞥见了您链接到的代码，我看到您计算了 MSE、MAE 和 RMSE 等指标 - 请记住，这些是回归指标，它们在分类设置中没有意义，例如你面对这里（反过来，准确性在回归设置中毫无意义）......