我通常将其发布到Stack Overflow，但我对此进行了思考，并意识到它实际上不是编码问题-这是ML问题。
对代码或其他任何内容的任何其他反馈都将受到赞赏和欢迎！
所以我正在对Kaggle进行泰坦尼克号问题。我已经准备好四个数据集：
考虑到这一点，我有两个问题，尽管第二个问题很重要。
问题1：我对下一步的理解正确吗？
我们将模型拟合到训练数据上，然后创建一个预测（ pred ），该预测会尝试根据我们的 features_test 数据进行预测。这意味着我们的 pred 和 target_test 数据集在理论上应该是相同的（如果模型运行良好）。
这意味着要证明模型的准确性，我们可以简单地比较 pred 和 target_test 的结果，这就是 accuracy_score 函数来自Sklearn。
问题2：使用模型的评分方法与precision_score函数有什么区别？
这让我感到困惑。您可以在单元格97中看到我使用的“模型1”标题下的第一个单元格。
clf.score(features_test, target_test)
这是
的结果0.8609865470852018
但是，稍后，我还会使用：
from sklearn.metrics import accuracy_score
print(accuracy_score(target_test, pred))
这也会导致
0.8609865470852018
这两个分数如何相同？我做错什么了吗？还是这两个步骤基本上都在做同一件事？怎么样..？ score()属性是否有效地创建了pred数据框并在后台进行了检查？
答案 0 :(得分：1)
对于此类问题，可以说您最好的朋友是文档；引用model evaluation上的scikit-learn文档：
共有3种不同的API，用于评估模型的质量 预测：
- 估计器评分方法：估计器具有
score方法，可为他们设计的问题提供默认的评估标准 解决。此页未对此进行讨论，但每个估算器的 文档。- 评分参数：使用交叉验证的模型评估工具（例如
model_selection.cross_val_score和model_selection.GridSearchCV）依靠内部评分策略。 评分参数：定义模型一节中对此进行了讨论 评估规则。- 度量功能：
metrics模块实现了针对特定目的评估预测误差的功能。这些指标是 有关分类指标，多标签排名的部分中有详细说明 指标，回归指标和聚类指标。
在您的代码中使用的所有3个分类器（logistic regression，random forest和decision tree）的文档中，都有相同的描述：
得分（ X，y，sample_weight = None ）
返回平均精度 给定测试数据和标签。
它回答了您使用的特定模型的第二个问题。
尽管如此，您应该始终在盲目地信任估计器附带的score方法之前检查文档。例如，在linear regression和desision tree regressor中，score返回确定系数R ^ 2，而构建预测模型的ML从业人员几乎从未使用过确定系数R ^ 2（它统计人员经常使用它们来构建解释性模型，但这是另一回事了。
顺便说一句，我简要介绍了链接到的代码，并看到您计算的指标是MSE，MAE和RMSE，请记住，这些指标是回归指标，而并非在分类设置（例如您在此处遇到的分类）中有意义（反过来，在回归设置中，准确性没有意义）...