sklearn中调用R²（回归问题评价指标）的三种方式

在Python的数据科学库中，scikit-learn（简称sklearn）是一个功能强大的工具，用于实现各种机器学习算法。对于回归问题，我们常常需要评估模型的性能，其中R²（决定系数）是一个常用的指标。下面我们将介绍在sklearn中调用R²的三种方式。

1. 直接计算R²

在sklearn.metrics模块中，我们可以使用r2_score函数直接计算R²。以下是一个简单的例子：

from sklearn.metrics import r2_score
# 假设 y_true 是真实的目标值，y_pred 是模型预测的值
y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]
r2 = r2_score(y_true, y_pred)
print(f'R²: {r2}')

2. 使用交叉验证计算R²

为了更全面地评估模型的性能，我们通常使用交叉验证。在sklearn.model_selection模块中，cross_val_score函数可以帮助我们实现这一点。以下是一个例子，其中我们使用了线性回归模型：

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import cross_val_score
from sklearn.datasets import make_regression
# 创建一个简单的回归问题
X, y = make_regression(n_samples=100, n_features=1, noise=0.1)
# 初始化线性回归模型
regressor = LinearRegression()
# 使用5折交叉验证计算R²
scores = cross_val_score(regressor, X, y, cv=5, scoring='neg_mean_squared_error')
# 注意：cross_val_score返回的是负均方误差，我们需要转换为R²
r2_scores = 1 - scores / scores.std() ** 2
print(f'R² scores: {r2_scores}')
print(f'Mean R²: {r2_scores.mean()}')

3. 使用回归模型的score方法计算R²

大多数sklearn中的回归模型都有一个score方法，该方法默认计算并返回R²。例如，对于上面使用的线性回归模型，我们可以这样使用：

# 使用整个数据集训练模型
regressor.fit(X, y)
# 使用score方法计算R²
r2 = regressor.score(X, y)
print(f'R²: {r2}')

无论你选择哪种方式，R²都是一个很好的指标，用于评估你的回归模型在拟合数据方面的性能。不过，请注意，R²并不总是完美的指标，特别是在处理复杂或非线性关系时。因此，在实践中，你可能还需要考虑其他指标和评估方法，以获得更全面的模型性能视图。