哪个度量单位具有sklearn度量的准确性，平均绝对误差和均方误差？它们是否用于回归问题？例如我有一个约0.99469的regressor.score（X_test，y_test））。因此，与真实数据相比，测试的模型为0.99469？还是说99％的百分比？MAE和MSE相同。
另一个问题是，关于分类问题的混淆矩阵，其准确性是从混淆矩阵中计算出的值。我使用多元线性回归，是否可以将这些指标用于回归？
通常，metrics.mean_absolute_error(y_true, y_pred)和metrics.mean_squared_error(y_true, y_pred)将为您提供相应的指标。
regressor.score(X_test, y_test)实际上是metrics.r2_score，它是R ^ 2的值，即可以解释为模型解释的方差量。在您的情况下，您会说数据的99.469％的变化是由您的模型解释的（针对训练数据）。
检查：https://scikit-learn.org/stable/modules/model_evaluation.html#regression-metrics
和http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html
传统上，混淆矩阵不用于回归问题，但是还有其他方法可以评估您的mlr模型，所有（对于sklearn都在上面链接]
为了回答您的第一个问题，诸如精度不能用于回归问题]的度量标准>。是的，你是对的。使用混淆矩阵来计算准确性，但是由于存在回归问题，因此无法获得混淆矩阵，因为它是分类问题的输出，但是存在适当的回归问题。
此外，回归问题的正确指标是均方误差，均值绝对误差和R平方值。默认情况下，regressor.score（X_test，y_test））>>
函数给出R平方值。为了简单起见，该值越接近1（在您的情况下为0.99469），则您的模型越好。看来您的模型运行得非常好。