Score d'exactitude: ValueError: Impossible de gérer le mélange binaire et continu

Je suis en utilisant linear_model.LinearRegression de scikit-learn comme un modèle prédictif. Ça marche et c'est parfait. J'ai un problème pour en évaluer les résultats prédits à l'aide de la accuracy_score métrique.
C'est mon vrai de Données :

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

Et c'est mon prédictive des Données :

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])

Mon code :

accuracy_score(y_true, y_pred, normalize=False)

Et c'est le message d'erreur :

"ValueError: ne Peut pas gérer mélange binaire et continu"

Aider ? Merci.

source d'informationauteur DataAddicted

  1. 12
    accuracy_score(y_true, y_pred.round(), normalize=False)

    si vous préférez avoir plus de contrôle sur le seuil de l'utilisation
    (y_pred>threshold).astype(int) au lieu de y_pred.round() où threshold est votre valeur à séparer les deux classes.

  2. 2

    Peut-être que cela aide quelqu'un qui trouve cette question:

    Comme JohnnyQ déjà souligné, le problème, c'est que vous avez non binaire (pas 0 ni 1) les valeurs de votre y_predj'. e. lors de l'ajout d'

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

    vous verrez True dans la sortie. (La commande détecte s'il y a une valeur qui n'est pas 0 ou 1).

    Vous pouvez voir votre non-valeurs binaires à l'aide de:

    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

    Une instruction print peut sortie ci-dessus dérivés variables.

    Enfin, cette fonction permet de nettoyer vos données de tous les non-binaires entrées:

    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)
  3. 2

    La sklearn.métriques.accuracy_score(y_true, y_pred) méthode définit y_pred:

    y_pred : 1d semblable au tableau, ou de l'étiquette de l'indicateur de tableau /sparse matrix. Prédit étiquettesrenvoyé par un classificateur.

    Qui signifie y_pred doit être un tableau de 1 ou de 0 (fondée étiquettes). Ils ne devraient pas être probabilités.

    L'fondée étiquettes (1 et 0) et/ou prévus de probabilites peuvent être générés à l'aide de la LinearRegression() du modèle, les méthodes de prédire() et predict_proba() respectivement.

    1. Générer prédit étiquettes:

    LR = linear_model.LinearRegression()

    y_preds=LR.predict(X_test)

    print(y_preds)

    >> [1 1 0 1]

    'y_preds" peut maintenant être utilisé pour la accuracy_score() la méthode:
    accuracy_score(y_true,y_pred)

    2. Générer des probabilités pour les étiquettes:
    Certains indicateurs tels que "precision_recall_curve(y_true, probas_pred) exigent" la probablities, qui peut être généré comme suit:

    LR = linear_model.LinearRegression()

    y_preds=LR.predict_proba(X_test)

    print(y_preds)

    >> [0.87812372 0.77490434 0.30319547 0.84999743]

  4. 1

    Le problème est que le vrai y est binaire (zéros et de uns), tandis que vos prévisions ne sont pas. Vous avez probablement généré des probabilités et non des prédictions, d'où le résultat 🙂
    Essayez plutôt de générer de l'appartenance à une catégorie, et cela devrait fonctionner!

  5. 1

    accuracy_score est une classification métrique, vous ne pouvez pas l'utiliser pour un problème de régression.

    Vous pouvez voir la disposition de régression métriques ici