Điểm chính xác: ValueError: Không thể xử lý kết hợp nhị phân và liên tục

Question

Tôi đang sử dụng linear_model.LinearRegression từ scikit-learn làm mô hình dự đoán. Nó hoạt động và nó hoàn hảo. Tôi gặp sự cố khi đánh giá kết quả được dự đoán bằng cách sử dụng chỉ số precision_score. Đây là dữ liệu thật của tôi:

array([1, 1, 0, 0, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0]) 

Và đây là dữ liệu dự đoán của tôi:

array([ 0.07094605, 0.1994941 , 0.19270157, 0.13379635, 0.04654469, 
    0.09212494, 0.19952108, 0.12884365, 0.15685076, -0.01274453, 
    0.32167554, 0.32167554, -0.10023553, 0.09819648, -0.06755516, 
    0.25390082, 0.17248324]) 

Mã của tôi:

accuracy_score(y_true, y_pred, normalize=False) 

Và đây là thông báo lỗi:

"ValueError: Can't handle mix of binary and continuous"

Trợ giúp? Cảm ơn bạn.

Answer 1

accuracy_score(y_true, y_pred.round(), normalize=False) 

nếu bạn muốn có quyền kiểm soát nhiều hơn về việc sử dụng ngưỡng (y_pred>threshold).astype(int) thay vì y_pred.round() nơi threshold là giá trị của mình để tách hai lớp.

Answer 2

Vấn đề là y thực là nhị phân (số không và số), trong khi dự đoán của bạn thì không. Bạn có thể tạo ra xác suất và không dự đoán, do đó kết quả :) Hãy thử để tạo ra thành viên lớp học, và nó sẽ làm việc!

Answer 3

accuracy_score là chỉ số phân loại, bạn không thể sử dụng nó cho vấn đề hồi quy.

You can see the available regression metrics here

Answer 4

Có lẽ điều này giúp ai đó tìm thấy câu hỏi này:

Như JohnnyQ đã chỉ ra, vấn đề là bạn phải không nhị phân (không phải 0 hay 1) giá trị trong y_pred của bạn, i. e. khi thêm

print(((y_pred != 0.) & (y_pred != 1.)).any()) 

bạn sẽ thấy True ở đầu ra. (Lệnh tìm ra nếu có bất kỳ giá trị nào không phải là 0 hoặc 1).

Bạn có thể thấy giá trị phi nhị phân của bạn sử dụng:

non_binary_values = y_pred[(y_pred['score'] != 1) & (y_pred['score'] != 0)] 
non_binary_idxs = y_pred[(y_pred['score'] != 1) & (y_pred['score'] != 0)].index 

Một tuyên bố in có thể xuất các biến derivated trên.

Cuối cùng, chức năng này có thể làm sạch dữ liệu của bạn của tất cả các mục phi nhị phân:

def remove_unlabelled_data(X, y): 
    drop_indexes = X[(y['score'] != 1) & (y['score'] != 0)].index 
    return X.drop(drop_indexes), y.drop(drop_indexes)