[解決済み] RandomForestRegressor で continuous is not supported エラーが発生した。

質問

簡単なRandomForestRegressorのサンプルを作ろうとしているだけなのですが。しかし、精度をテストしているときに、次のようなエラーが発生しました。

/Users/noppanit/anaconda/lib/python2.7/site-packages/sklearn/metrics/classification.pyc

in accuracy_score(y_true, y_pred, normalize, sample_weight) 177 178 # 可能性のある表現ごとに精度を計算する --> 179 y_type, y_true, y_pred = _check_targets(y_true, y_pred) 180 if y_type.startswith('multilabel'): 181 differing_labels = count_nonzero(y_true - y_pred, axis=1)

/Users/noppanit/anaconda/lib/python2.7/site-packages/sklearn/metrics/classification.pyc

in _check_targets(y_true, y_pred) 90 if (y_type not in ["binary", "multiclass", "multilabel-indicator", 91 "multilabel-sequences"]）に含まれる場合。 ---> 92 raise ValueError("{0} is not supported".format(y_type)) 93 94 y_type が ["binary", "multiclass"] に含まれる場合。

ValueError: continuous is not supported

これはデータのサンプルです。実際のデータは表示できません。

target, func_1, func_2, func_2, ... func_200
float, float, float, float, ... float

以下は私のコードです。

import pandas as pd
import numpy as np
from sklearn.preprocessing import Imputer
from sklearn.ensemble import RandomForestClassifier, RandomForestRegressor, ExtraTreesRegressor, GradientBoostingRegressor
from sklearn.cross_validation import train_test_split
from sklearn.metrics import accuracy_score
from sklearn import tree

train = pd.read_csv('data.txt', sep='\t')

labels = train.target
train.drop('target', axis=1, inplace=True)
cat = ['cat']
train_cat = pd.get_dummies(train[cat])

train.drop(train[cat], axis=1, inplace=True)
train = np.hstack((train, train_cat))

imp = Imputer(missing_values='NaN', strategy='mean', axis=0)
imp.fit(train)
train = imp.transform(train)

x_train, x_test, y_train, y_test = train_test_split(train, labels.values, test_size = 0.2)

clf = RandomForestRegressor(n_estimators=10)

clf.fit(x_train, y_train)
y_pred = clf.predict(x_test)
accuracy_score(y_test, y_pred) # This is where I get the error.

解決方法は？

それは アキュラシー・スコア は分類タスクのためだけです。 回帰の場合は、例えば別のものを使う必要があります。

clf.score(X_test, y_test)

X_test はサンプル、y_test は対応する基底真理値。この中で予測値を計算します。