线性回归中Accuracy指标无法使用，求回归任务的准确率计算方法

嘿，我刚接触回归任务的时候也犯过这个错！咱们先把核心问题说清楚：

accuracy_score是给分类任务设计的——比如你预测一张图是猫还是狗，它算的是预测对的样本占比。但线性回归是回归任务，预测的是连续数值（比如你的例子里的薪资），几乎不可能有预测值和真实值完全一模一样的情况，所以用accuracy肯定得不到合理结果，甚至会返回0，完全没参考价值。

那回归任务该用啥指标评估呢？给你几个最常用的，附代码示例，直接替换你原来的accuracy部分就行：

1. 均方误差（MSE） #

计算预测值和真实值差值的平方的平均值，数值越小说明模型拟合得越好：

from sklearn.metrics import mean_squared_error
mse = mean_squared_error(y_test, y_predict)
print(f"均方误差(MSE): {mse}")

2. 根均方误差（RMSE） #

MSE的平方根，它的单位和你的目标变量（薪资）一致，结果更直观：

import numpy as np
rmse = np.sqrt(mean_squared_error(y_test, y_predict))
print(f"根均方误差(RMSE): {rmse}")

3. 平均绝对误差（MAE） #

计算预测值和真实值差值的绝对值的平均值，对异常值的敏感度比MSE低：

from sklearn.metrics import mean_absolute_error
mae = mean_absolute_error(y_test, y_predict)
print(f"平均绝对误差(MAE): {mae}")

4. R²分数（决定系数） #

衡量模型能解释数据变异的比例，范围在0到1之间，越接近1说明模型对数据的拟合程度越好：

from sklearn.metrics import r2_score
r2 = r2_score(y_test, y_predict)
print(f"R²分数: {r2}")

另外，sklearn的LinearRegression模型自带score方法，默认返回的就是R²分数，用起来更省事：

r2_score = SimpleLinearRegression.score(X_test, y_test)
print(f"模型自带R²分数: {r2_score}")

下次做回归任务的时候，记得避开分类任务的指标，选上面这些就对啦！

内容的提问来源于stack exchange，提问作者Ashish.k