model.score()用法

1. 具体解释

model.score(X_test, y_test) 是许多机器学习库（如 scikit-learn）中模型评估的一个常用方法。它用于评估模型在测试集上的性能。具体来说，对于分类任务，它通常返回模型的准确度（accuracy），即正确分类的样本数与总样本数之比。对于回归任务，它返回 R² 分数，表示模型对数据的拟合程度。

2.具体用法例子——python：

我有一个已经训练好的模型 model，以及相应的测试数据 X_test 和 y_test。你可以使用以下代码来评估模型的性能：

from sklearn.linear_model import LinearRegression
from sklearn.datasets import make_regression

# 生成模拟的回归数据
X, y = make_regression(n_samples=100, n_features=1, noise=0.1)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建并训练模型
model = LinearRegression()
model.fit(X_train, y_train)

# 评估模型在测试集上的性能
score = model.score(X_test, y_test)
print(f"Model score: {score}")

在这个例子中，model.score(X_test, y_test) 会返回模型在测试集上的 R² 分数。

3.内部的公式：

对于分类任务

，model.score 通常会计算准确度（accuracy），公式如下：

$$\text{Accuracy}=\frac{\text{正确分类的样本数}}{\text{总样本数}}$$

对于回归任务

，model.score 通常会计算 R² 分数（决定系数），公式如下：

$$R^2=1-\frac{\text{残差平方和}}{\text{总平方和}}$$

其中，残差平方和是模型预测值与实际值之差的平方和，总平方和是实际值与其均值之差的平方和。R² 分数越接近 1，表示模型对数据的拟合程度越好。