我在尝试获取我创建的模型的准确率。我的代码如下所示
from sklearn.datasets import fetch_california_housingfrom sklearn.model_selection import train_test_splitimport numpy as npdata = fetch_california_housing()c = np.array([1 if y > np.median(data['target']) else 0 for y in data['target']])X_train, X_test, c_train, c_test = train_test_split(data['data'], c, random_state=0)gaussian=GaussianNB().fit(X_train, c_train)pred=gaussian.predict(X_test) metrics.accuracy_score(X_test, pred)错误是由以下这行代码引发的： metrics.accuracy_score(X_test, pred) 显示的错误信息是
ValueError: Classification metrics can't handle a mix of continuous-multioutput and binary targets我搜索了解决方案，但没有找到任何答案。我看到其他遇到同样问题的人的帖子说，不能使用metric.accuracy…因为这是针对分类问题的。但我的确实是一个分类问题。
我也尝试了另一种方法： pred=score(X_test, pred) 这引发了错误：
TypeError: 'numpy.float64' object is not callable
感谢任何帮助
———————更新————-
X_test
[[ 4.1518 22. 5.66307278 ... 4.18059299 32.58 -117.05 ] [ 5.7796 32. 6.10722611 ... 3.02097902 33.92 -117.97 ] [ 4.3487 29. 5.93071161 ... 2.91011236 38.65 -121.84 ] ... [ 3.6296 16. 3.61684211 ... 1.88631579 34.2 -118.61 ] [ 5.5133 37. 4.59322034 ... 3.00847458 33.9 -118.34 ] [ 4.7639 36. 5.26181818 ... 2.90545455 37.66 -122.44 ]]Pred
[1 1 1 ... 1 1 1]回答：
似乎可以用c_test工作：
accuracy_score(c_test, pred) # 0.743798另一种方法是：
1 - ((c_test != pred).sum() / X_test.shape[0]) # 0.743798