Question

我完成了一个代码，该代码使用几种分类算法（例如KNN或Naive-Bayes）进行预测。使用几种算法背后的主要思想是比较其准确性等级。 Logistic回归的准确度约为％88，而KNN的准确度约为％76。当我向老年人展示代码时。他们告诉我评分太低。

Github存储库和代码集：https://github.com/halilzcler/product-prediction

这就是我转换给定数据的方式，为了进行预测，我使用了scikit-learn库。我没有在此处添加完整的代码，完整的代码在github repo中。

df1 = pd.read_csv('data.train.csv')
df2 = pd.read_csv('data.test.csv')


df1.rename( columns={'Unnamed: 0':'Customer', 'Products bought by the customer':'ItemId', 'New products bought by the customer':'Product'}, inplace=True )
df2.rename( columns={'Unnamed: 0':'Customer', 'Products bought by the customers':'ItemId', 'New products bought by the customers':'Product'}, inplace=True )


def products(item):
    productList = item.split(";")
    return productList


df1["ItemId"] = df1["ItemId"].apply(products)
df2["ItemId"] = df2["ItemId"].apply(products)


df1_dummies = df1["ItemId"].str.join(sep='*').str.get_dummies(sep='*') 
df2_dummies = df2["ItemId"].str.join(sep='*').str.get_dummies(sep='*')     

dfTrain = df1.merge(df1_dummies, left_index = True, right_index = True) \
             .drop("ItemId", axis = 1) \
             .drop("Customer", axis = 1)
dfTest = df2.merge(df2_dummies, left_index = True, right_index = True) \
             .drop("ItemId", axis = 1) \
             .drop("Customer", axis = 1)

le = preprocessing.LabelEncoder().fit(dfTrain['Product'])
dfTrain['Product'] = le.fit_transform(dfTrain['Product'])


X_train = dfTrain[dfTrain.columns[-74:]].values
X_test = dfTest[dfTest.columns[-74:]].values

y_train = dfTrain.iloc[:, 0].values

根据反馈，任何分类算法的预期最低准确性等级必须在％90附近，我的结果较低，而且我找不到我的错误。我不确定问题出在哪里。

感谢您的帮助。

对给定的数据集使用不同的算法时，获得较低的准确性评级

0 个答案: