本文介绍: 在Scikit-Learn中,cross_val_score函数支持多种不同评分标准scoring参数)。这些评分标准各有其适用场景和特点。选择哪种评分标准取决于你的具体任务模型评估的需求例如,在回归任务中,如果你关心预测误差的大小可以选择neg_mean_squared_error或neg_mean_absolute_error;而如果你关心模型解释方差比例,可以选择r2。

在Scikit-Learn中,cross_val_score函数支持多种不同评分标准scoring参数)。以下是一些常见评分标准及其应用场景

参考链接
https://blog.csdn.net/worther/article/details/126909270

https://zhuanlan.zhihu.com/p/509437755

这些评分标准各有其适用场景和特点。选择哪种评分标准取决于你的具体任务模型评估的需求例如,在回归任务中,如果你关心预测误差的大小,可以选择neg_mean_squared_error或neg_mean_absolute_error;而如果你关心模型解释方差比例,可以选择r2。

每文一语

加油

原文地址:https://blog.csdn.net/weixin_47723732/article/details/134690679

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任

如若转载,请注明出处:http://www.7code.cn/show_29454.html

如若内容造成侵权/违法违规/事实不符,请联系代码007邮箱suwngjj01@126.com进行投诉反馈,一经查实,立即删除

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注