python - scikit-learn - Explained_variance_score

Question

我正在使用 scikit-learn 构建一个由 svm 训练和测试的样本分类器。现在我想分析分类器并找到explain_variance_score但我不明白这个分数。例如，我得到了 clf 的分类报告，它看起来像这样......

             precision    recall  f1-score   support

        0.0       0.80      0.80      0.80        10
        1.0       0.80      0.80      0.80        10

avg / total       0.80      0.80      0.80        20 

不错，但EVS只是0.2......有时它-0.X……那怎么会发生呢？拥有一个好的EVS重要吗？也许有人可以向我解释这个...

Y_true 和 Y_pred：

[ 1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  0.  0.  0.  0.  0.  0.  0.  0.
  0.  0.]

[ 1.  1.  1.  1.  1.  0.  0.  1.  1.  1.  1.  0.  0.  0.  0.  0.  1.  0.
  0.  0.]

Answer 1

解释方差是一个回归度量，这对于分类问题没有很好的定义，将其应用于此类测试是没有意义的。这是一种用于验证支持向量回归、线性回归等模型的方法。

Answer 2

explain_variance_score，EVS 告诉您模型解释了多少方差。最大值为一。EVS越高，您的模型越好。