如果你想获得RMSE或MSE的交叉验证分数,请尝试这个。
from sklearn.model_selection import cross_val_score
nrmse = cross_val_score(estimator = regressor, X=X,y=y,scoring='neg_root_mean_squared_error', cv =10)
print(nrmse.mean()*-1)
nmse = cross_val_score(estimator = regressor, X=X,y=y,scoring='neg_mean_squared_error', cv =10)
print(nmse.mean()*-1)
以下代码提供了所有得分选项:
sorted(sklearn.metrics.SCORERS.keys())
这将给你:
['准确性', '调整互信息分数', '调整兰德指数', '平均精确度', '平衡准确性', '完整性分数', '解释方差', 'F1分数', 'F1宏平均', 'F1微平均', 'F1样本平均', 'F1加权平均', '福尔克斯-马洛斯分数', '同质性分数', '杰卡德系数', '杰卡德宏平均', '杰卡德微平均', '杰卡德样本平均', '杰卡德加权平均', '最大误差', '互信息分数', '负Brier分数', '负对数损失', '负平均绝对误差', '负平均绝对百分比误差', '负平均伽玛偏差', '负平均泊松偏差', '负均方误差', '负均方对数误差', '负中位数绝对误差', '负均方根误差', '归一化互信息分数', '准确率', '准确率宏平均', '准确率微平均', '准确率样本平均', '准确率加权平均', 'R2分数', '兰德指数', '召回率', '召回率宏平均', '召回率微平均', '召回率样本平均', '召回率加权平均', 'ROC曲线下面积', '多类别ROC曲线下面积', '多类别带权重ROC曲线下面积', '多分类ROC曲线下面积', '多分类带权重ROC曲线下面积', '前k个准确率', 'V度量分数']