शुद्धता स्कोर: ValueError: बाइनरी और निरंतर

Question

का मिश्रण संभाल नहीं सकता है। मैं linear_model का उपयोग कर रहा हूं। विज्ञान से लिनेररियन - भविष्यवाणी मॉडल के रूप में सीखें। यह काम करता है और यह सही है। मुझे सटीकता_स्कोर मीट्रिक का उपयोग करके अनुमानित परिणामों का मूल्यांकन करने में समस्या है। यह मेरा सच्चा डाटा है:

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

और ये मेरे भविष्य कहनेवाला डाटा है:

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]) 

मेरे कोड:

accuracy_score(y_true, y_pred, normalize=False) 

और इस त्रुटि संदेश है:

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

सहायता? धन्यवाद।

Answer 1

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

अगर आप y_pred.round() की दहलीज उपयोग पर अधिक नियंत्रण (y_pred>threshold).astype(int) बजाय जहां threshold दो वर्गों को अलग करने के अपने मूल्य है पसंद करते हैं।

Answer 2

समस्या यह है कि सत्य वाई बाइनरी (शून्य और एक) है, जबकि आपकी भविष्यवाणियां नहीं हैं। आपने शायद संभावनाएं उत्पन्न की हैं और भविष्यवाणियां नहीं हैं, इसलिए नतीजा :) कक्षा सदस्यता उत्पन्न करने के बजाय प्रयास करें, और इसे काम करना चाहिए!

Answer 3

सटीकता_स्कोर एक वर्गीकरण मीट्रिक है, आप इसे एक रिग्रेशन समस्या के लिए उपयोग नहीं कर सकते हैं।

You can see the available regression metrics here

Answer 4

हो सकता है कि यह जो इस सवाल पाता है किसी को मदद करता है:

रूप JohnnyQ पहले ही बताया, बात नहीं, आप गैर बाइनरी (नहीं 0 और न ही 1) अपने y_pred में मान हैं वह यह है कि मैं। ई।

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

आउटपुट में True देखेंगे। (आदेश पता चला है कि कोई मूल्य है जो 0 या 1 नहीं है)।

आप का उपयोग कर अपने गैर द्विआधारी मूल्यों देख सकते हैं:

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 

एक प्रिंट बयान कर सकते हैं उत्पादन ऊपर derivated चर।

अंत में, इस समारोह सभी गैर द्विआधारी प्रविष्टियों में से अपने डेटा को साफ कर सकते हैं:

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)