sklearn库中.score（）和.predict之间的区别？

Question

我使用sklearn库实例化了一个SVC对象，代码如下：

clf = svm.SVC(kernel='linear', C=1, cache_size=1000, max_iter = -1, verbose = True)

然后我使用以下方法将数据拟合到它：

model = clf.fit(X_train, y_train)

其中X_train是（301,60）而y_train是（301，）ndarray（y_train由类标签组成＆＃34; 1＆＃34;，＆＃34; 2＆＃34;和＆＃34; 3＆＃ 34。）

现在，在我偶然发现.score（）方法之前，为了确定我的模型在训练集上的准确性，我使用了以下内容：

prediction = np.divide((y_train == model.predict(X_train)).sum(), y_train.size, dtype = float)

得出大约62％的结果。

然而，当使用model.score（X_train，y_train）方法时，我得到大约83％的结果。

因此，我想知道是否有人可以向我解释为什么会出现这种情况，因为据我所知，他们应该返回相同的结果？

附录：

y_true的前10个值是：

• 2,3,1,3,2,3,2,2,3,1 ......

而对于y_pred（使用model.predict（X_train）时），它们是：

• 2,3,3,2,2,3,2,3,3,3 ......

Answer 1

由于您的y_train为(301, 1)而非(301,) numpy正在广播，所以

(y_train == model.predict(X_train)).shape == (301, 301)

这不是你想要的。 您的代码的正确版本将是

np.mean(y_train.ravel() == model.predict(X_train))

将产生与

相同的结果

model.score(X_train, y_train)