knn电影推荐评估准确率

Question

最后结果ValueError: continuous is not supported
说不支持继续，classification_report能评估回归问题嘛？我要怎样才能得到准确率，召回率和F1呢？

# 导入必要的库
from sklearn.metrics import classification_report
 
# 创建训练集和测试集
train_data = movie_features_df.iloc[:100]  # 训练特征
train_labels = movie_features_df.iloc[:100] # 训练目标值（评分）
test_data = movie_features_df.iloc[100:]  # 测试特征
test_labels = movie_features_df.iloc[100:] # 真实评分
 
# 训练knn模型
model_knn.fit(train_data,train_labels)
 
# 根据训练的模型预测测试集中的电影评分
predicted_ratings = []
for i in range(len(test_data)):
    distances, indices = model_knn.kneighbors(movie_features_df.iloc[query_index,:].values.reshape(1, -1),
                                          n_neighbors = 6)
    #根据电影之间的相似度预测电影评分
    predicted_rating = np.mean(train_data.iloc[indices.flatten(), -1].values)
    predicted_ratings.append(predicted_rating)
 
# 对比预测值和真实值，计算准确率、召回率和F1值
true_ratings = test_data.values
predicted_ratings = np.array(predicted_ratings).reshape(-1,1)
predicted_ratings = np.repeat(predicted_ratings, test_data.shape[1],axis=1)
 
print(classification_report(true_ratings.flatten(), predicted_ratings.flatten()))

Answer 1

引自免费微信小程序：皆我百晓生

在您的场景中，您正在尝试使用KNN算法进行电影推荐系统的评分预测，这是一个回归问题，而非分类问题。classification_report函数是为分类任务设计的，它用于计算各类别的精确度、召回率和F1值等指标，因此不适用于连续数值的回归问题。

对于回归问题，评估模型性能时通常会使用以下指标：

1. 平均绝对误差（Mean Absolute Error, MAE）
2. 均方误差（Mean Squared Error, MSE）
3. R²分数（Coefficient of Determination）
4. 平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）

您可以使用如下代码来计算这些指标：

from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score

# 计算评估指标
mae = mean_absolute_error(true_ratings.flatten(), predicted_ratings.flatten())
mse = mean_squared_error(true_ratings.flatten(), predicted_ratings.flatten())
r2 = r2_score(true_ratings.flatten(), predicted_ratings.flatten())

print(f"MAE: {mae:.2f}")
print(f"MSE: {mse:.2f}")
print(f"R² Score: {r2:.2f}")

如果您确实需要类似准确率这样的概念，对于回归问题，R²分数是一个很好的衡量标准，它可以反映模型对数据集变化的解释程度。但请注意，回归问题并不直接对应于“准确率”这一概念。