在 sklearn 中的 predict() 之后使用 score() 而无需重新计算

Question

语境

我将sklearn机器学习算法用于SVR回归任务。

from sklearn.svm import SVR

model = SVR(kernel='poly', degree=2, epsilon=.5)

model.fit(

      features # Numpy array with features

    , target   # Numpy array with the target

)

之后，我使用 -function 返回回归分数.score()。此外，我需要用于进一步处理的预测结果.predict()。

some_data = [...] # Numpy array with some data to predict

correct_targets = [...] # Numpy array with targets according to some data

# Get R²

print("R²:", model.score(

      some_data

    , correct_targets

))

# Store prediction

pred = model.predict(some_data)

问题

当我在上面的版本中运行代码时，模型被计算了两次——一次为.score()，一次为.predict()。

但是，我无法.score()在已保存的.predict(). 这有点讨厌，因为计算需要一些时间。

是否可以存储预测并.score()在以后应用而无需重新计算？

Answer 1

如果您已经有了预测值：pred = model.predict(some_data)和相应的基本事实correct_targets，无需重新运行模型即可直接获得 R^2 分数，因为 scikit-learn对此有专门的功能：from sklearn.metrics import r2_scorer2_score(correct_targets, pred)