我在尝试使用sklearn建立一个线性模型，因此我想测试我已经实现的模型，使用一些误差函数进行评估。
首先，我为X和y轴选择了特征。
# 预测每月的平均停车费率
X = df[['Number of weekly riders', 'Price per week', 'Population of city', 'Monthly income of riders']]
y = df['Average parking rates per month']
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
# 由于数据集较小，因此仅使用20%作为测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=101)
lm = LinearRegression()
lm.fit(X_train, y_train)在模型拟合之后，我尝试使用sklearn的metrics包中的一些误差函数进行评估
但显然我无法使用这些函数，因为测试和训练数据的数量不相等
print('平均绝对误差:', metrics.mean_absolute_error(y_test, y_train))
print('均方误差:', metrics.mean_squared_error(y_test, y_train))
print('均方根误差:', np.sqrt(metrics.mean_squared_error(y_test, y_train)))ValueError: Found input variables with inconsistent numbers of samples: [6, 21]
真的需要训练和测试数据大小相同才能运行误差函数吗？
回答：
当你使用train/test-split时，你希望将训练和测试数据分开：
这个想法是用你的训练数据来训练算法，然后用未见过的数据来测试它。因此，所有度量标准在y_train和y_test上都没有意义。你要比较的是预测值和y_test，这将像这样工作：
y_pred_test = lm.predict(X_test)
metrics.mean_absolute_error(y_test, y_pred_test)你也可以通过在训练数据上进行预测来获得训练分数的想法：
y_pred_train = lm.predict(X_train)
metrics.mean_absolute_error(y_train, y_pred_train)