你好，’评分’和’指标’的基本区别是什么？它们都用于衡量性能，但它们有什么不同呢？
如果你看这个例子
下面的交叉验证使用’neg_mean_squared_error’作为评分
X = array[:, 0:13]Y = array[:, 13]seed = 7kfold = model_selection.KFold(n_splits=10, random_state=seed)model = LinearRegression()scoring = 'neg_mean_squared_error'results = model_selection.cross_val_score(model, X, Y, cv=kfold, scoring=scoring)print("MSE: %.3f (%.3f)") % (results.mean(), results.std())但在下面的xgboost示例中，我使用了metrics = ‘rmse’
cmatrix = xgb.DMatrix(data=X, label=y)params = {'objective': 'reg:linear', 'max_depth': 3}cv_results = xgb.cv(dtrain=cmatrix, params=params, nfold=3, num_boost_round=5, metrics='rmse', as_pandas=True, seed=123)print(cv_results)回答：
它们有什么不同？
它们没有区别；实际上，这些只是不同的术语，用来表示相同的事物。
要非常精确地说，评分是根据某种指标（或分数）来测量模型性能的过程。scikit-learn对参数scoring（如你的第一个代码片段中）的术语选择相当不幸（实际上它暗示了一个评分函数），因为MSE（以及它的变体，如负MSE和RMSE）是指标或分数。但从实际角度来说，正如你的示例代码片段所示，这两个术语被用作同义词，并且经常互换使用。
这里真正值得关注的区别不是“分数”和“指标”之间的区别，而是损失（通常称为成本）与诸如准确率（用于分类问题）的指标之间的区别；这常常是新用户感到困惑的来源。你可能会发现我在以下线程中的回答有用（忽略一些标题中提到的Keras，这些回答通常是适用的）：
