线性回归评估能否使用Sklearn混淆矩阵？需采用什么其他方法？

混淆矩阵是分类任务专属的评估工具，仅支持输入离散的分类标签作为真实值和预测值，核心作用是统计不同类别的预测命中、错分情况。线性回归属于回归任务，输出的预测值是连续浮点数，不符合混淆矩阵的输入要求，这就是你程序报错的根本原因。

回归任务可使用的评估方案 #

你可以直接调用Sklearn的metrics模块下的回归专属指标完成效果评估，常用指标如下：

• 平均绝对误差（MAE）：统计预测值与真实值的绝对误差平均值，取值越小模型误差越小，调用代码为：

  from sklearn.metrics import mean_absolute_error
  mae = mean_absolute_error(y_test, y_pred)
  

• 均方误差（MSE）：统计误差平方的平均值，会对异常大的误差施加更高惩罚，调用代码为：

  from sklearn.metrics import mean_squared_error
  mse = mean_squared_error(y_test, y_pred)
  

• 决定系数（R² Score）：衡量模型对数据分布的解释能力，取值范围为0~1，越接近1说明模型拟合效果越好，调用代码为：

  from sklearn.metrics import r2_score
  r2 = r2_score(y_test, y_pred)
  

如果你确实需要基于线性回归的输出做分类类的评估，比如按照业务阈值将连续预测值划分为离散类别（例如预测值高于阈值标记为1、低于阈值标记为0），可以先对预测值做离散化处理得到分类标签后，再输入混淆矩阵完成评估。

内容的提问来源于stack exchange，提问作者Aashish Kumar