我正在开展一个项目,将每位候选人的总统辩论推文分为中性,正面和负面。 (不是当前的辩论数据集)。我正在使用Decision trees
,Decision tree ensemble
和AdaBoost
进行培训。问题是我得到100%的准确度,这是非常奇怪和不可能的。
我拥有的数据采用bag-of-words
模型的形式。词汇表中的每个单词由0/1表示,具体取决于每个推文中是否出现该单词。我在问题的最后列出了统计数据。 df_obama
是一个包含奥巴马所有推文的数据框架。
df_Obama = pd.DataFrame.from_csv("../data/Obama_BagOfWords.csv")
df_Obama = df_Obama.reindex(np.random.permutation(df_Obama.index)).reset_index()
dataFeatures = df_Obama[allAttribs_Obama]
targetVar = list(df_Obama['Class'])
splitRatio = 0.9
splitPoint = int(splitRatio*len(dataFeatures))
dataFeatures_train = dataFeatures[:splitPoint]
dataFeatures_test = dataFeatures[splitPoint:]
targetVar_train = targetVar[:splitPoint]
targetVar_test = targetVar[splitPoint:]
clfObj = tree.DecisionTreeClassifier()
clfObj.fit(dataFeatures_train,targetVar_train)
preds = list(clfObj.predict(dataFeatures_test))
accScore = accuracy_score(targetVar_test,preds)
labels = [1,-1,0]
precision = precision_score(targetVar_test,preds,average=None,labels=labels)
recall = recall_score(targetVar_test,preds,average=None,labels=labels)
f1Score = f1_score(targetVar_test,preds,average=None,labels=labels)
print("Overall Acurracy",accScore)
print("precision",precision)
print("recall",recall)
print("f1Score",f1Score)
Overall Acurracy 1.0
precision [ 1. 1. 1.]
recall [ 1. 1. 1.]
f1Score [ 1. 1. 1.]
我无法弄清楚为什么会这样?指标如此之高是否有原因?我也试过不同的列车测试分割比例,结果似乎没有什么不同。
注意: 这是数据信息:
df_Obama.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 5465 entries, 0 to 5464
Columns: 13078 entries, level_0 to zzzzzzzzzz
dtypes: int64(13078)
memory usage: 545.3 MB
df_Obama.head(3)
0023Washington 08hayabusa 09Its .... 09what 1000000th
0 1 0 1 0
1 0 0 0 0
0 0 0 0 0
答案 0 :(得分:1)
分类器是否可以看到目标值? df_Obama['Class']
是否包含在要素数组中?目前尚不清楚,因为您没有显示allAttribs_Obama
的价值。
另请查看documentation for decision trees on scikit-learn,具体为:
“决策树倾向于过度填充大量的数据 功能“。
您可能希望尝试缩小功能空间(请查看scikit-learn的documentation on feature selection)。
另外,您可以使用sklearn.model_selection.train_test_split
创建培训和测试集。