写在前面： 因为我在使用sklearn的过程中，看了很多其他人的实战代码，调用R2的方式都不同，所以给我搞得有点糊涂，不过我看了菜菜的sklearn课程以后，感觉清晰了一点，所以整理了这篇笔记。

1. 决定系数R2

• 公式如下：
  
  
• 作用：反映因变量y的全部变异能通过回归关系被自变量解释的比例。根据R2的取值，来判断模型的好坏。
• 取值范围：[0，1]，若结果为0，说明该模型完全无法预测目标变量，若结果为1，说明模型拟合效果非常完美。
• 0到1之间的数值泽表示模型中目标变量中有百分之几能够用特征来解释。一般来说，R2的值越接近1，则模型拟合效果越好；反之，越接近0，则模型预测精度越差。

2. sklearn中调用R2的三种方式

2.1 直接从metrics中导入r2_score，输入预测值和真实值后打分

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

一定要注意，参数的先后顺序。
其中，y_test是y的真实值，y_pred是通过模型预测得到的y的预测值。

2.2 使用回归模型的.score属性

r2 = reg.score(x_test,y_test)

其中，reg为实例化得到的回归模型预估器，x_test为测试集中的x，y_test为测试集中的y。
如果预估器reg是分类器模型，那么score返回的是分类的accuracy值。

2.3 使用cross_val_score交叉验证分数

cross_val_score(reg,x,y,cv=10,scoring="r2").mean()

cv表示交叉验证的折数

---

参考：sklearn菜菜的b站视频。

如果这篇博文对你有用，请点个赞哦~