在使用线性回归模型时，我将数据拆分为训练集和测试集 . 然后，我使用以下方法计算R ^ 2，RMSE和MAE：
lm.fit(X_train, y_train)
R2 = lm.score(X,y)
y_pred = lm.predict(X_test)
RMSE = np.sqrt(metrics.mean_squared_error(y_test, y_pred))
MAE = metrics.mean_absolute_error(y_test, y_pred)
我以为我正在为整个数据集计算R ^ 2（而不是比较训练和原始数据） . 但是，我了解到你必须在得分之前拟合模型，因此我不确定我是否对原始数据（在R2中输入）或我用来拟合模型的数据（X_train和y_train）进行评分） . 当我跑：
lm.fit(X_train, y_train)
lm.score(X_train, y_train)
我得到的结果与我得分X和y时得到的结果不同 . 所以我的问题是.score参数的输入与拟合的模型相比（从而使lm.fit（X，y）; lm.score（X，y）原始数据的R ^ 2值和lm .fit（X_train，y_train）; lm.score（X，y）基于.fit中创建的模型的原始数据的R ^ 2值 . ）还是完全发生的其他事情？
1 回答
fit（）只适合与训练同义的数据，适合数据意味着训练数据 . 得分就像测试或预测 .
因此，应该使用不同的数据集来训练分类器并测试精确度 . 可以这样做 . X_train，X_test，y_train，y_test = cross_validation.train_test_split（X，y，test_size = 0.2）clf = neighbors.KNeighborsClassifier（）clf.fit（X_train，y_train）accuracy = clf.score（X_test，y_test）