Question

在下面的代码（最后一行）中，根据文档使用了X_test和y_test：

返回给定的测试数据和标签
的平均准确度

问题是，由于X_test具有测试数据中的数据并且y_test具有这些数据的标签，因此将精确计算出什么。

检查预测标签与实际标签比较有意义。

您能告诉我第一种情况在最后一行如何工作吗？

X_train, X_test, y_train, y_test = train_test_split(iris_dataset['data'], iris_dataset['target'], 
random_state=0)
knn = KNeighborsClassifier(n_neighbors=1)
knn.fit(X_train, y_train)
print("Test set score: {:.2f}".format(knn.score(X_test, y_test)))

Answer 1

如果您选中docs：

Parameters: 

X : array-like, shape = (n_samples, n_features)

    Test samples.
y : array-like, shape = (n_samples) or (n_samples, n_outputs)

    True labels for X.
sample_weight : array-like, shape = [n_samples], optional

    Sample weights.

Returns:    

score : float

    Mean accuracy of self.predict(X) wrt. y.

后面会发生什么？它的依据是：knn.predict(X_test)，然后使用此值来计算knn.predict(X_test), y_test之间的平均准确度。因此，正是您要搜索的内容。

您应该获得与sklearn.metrics.accuracy_score相同的输出：

from sklearn.metrics import accuracy_score
y_predict = knn.predict(X_test)
accuracy_score(y_test, y_predict)

knn.score参数说明

1 个答案: