Question

我最近使用sklearn分为机器学习。在使用了一些数据之后，我注意到无论是否删除或添加功能，准确度都没有改变（它仍然存在，0.66668208448967）。换句话说

geom_bar

此代码打印stat = "count"

为了更好地说明我的观点，我在我的CSV文件中添加了一个完全由0组成的列（我将列命名为library(tidyverse) var <- c(0, 0, 1, 0, 1, 0, 0, 1, 1, 1, 1, 0, 1, 1, 1, 1, 0, 1, 1, 1, 0, 1, 1, 0, 1, 1, 0, 1, 1, 0, 0, 1, 1, 0, 1, 1, 0, 1, 1, 0, 1, 1, 1, 1, 0, 1, 1, 0, 1, 1, 0, 1, 1, 0, 1, 1, 0, 1, 1, 1, 0, 1, 1, 1, 0, 1, 1, 0, 0, 1, 1, 0, 1, 1, 0, 1, 1, 0, 1, 1, 1, 1, 0, 1, 0, 0, 0, 0, 1, 1, 0, 1, 1, 1, 1, 0) ggplot(data.frame(var), aes(x = "", fill = factor(var))) + geom_bar(position = "stack")）。改变之后 import pandas as pd from sklearn.linear_model import LogisticRegression import numpy as np from sklearn.model_selection import cross_val_score scores = [] data = pd.read_csv('/Users/fozoro/Downloads/test.csv') X = data[["x","y"]] y = data[["correct"]] knn = LogisticRegression() knn.fit(X,y.values.ravel()) scores = cross_val_score(knn, X, y.values.ravel(), cv = 10, scoring = "accuracy") print(scores.mean())到0.66668208448967我最终得到了这段代码。

zeros

它仍会打印出X = data[["x","y"]]的相同分数。

此时，我假设它仍在使用超过两列X = data[["zeros"]]和import pandas as pd from sklearn.linear_model import LogisticRegression import numpy as np from sklearn.model_selection import cross_val_score scores = [] data = pd.read_csv('/Users/fozoro/Downloads/HQ_Questions_Rest_new_test.csv') X = data[["zeros"]] y = data[["correct"]] knn = LogisticRegression() knn.fit(X,y.values.ravel()) scores = cross_val_score(knn, X, y.values.ravel(), cv = 10, scoring = "accuracy") print(scores.mean())但我无法理解原因。有谁知道问题是什么？

非常感谢您的帮助。

这是csv文件的一小部分。

0.66668208448967

当我打印（data.dtypes）时，我得到以下内容：

当我打印（data.describe（））时，我得到以下内容：

Answer 1

你的问题在于你的正确＆＃34;柱。您提供字符串（＆＃34;是＆＃34;和＆＃34; no＆＃34;），其中包含数字。

例如，替换所有＆＃34;是＆＃34; 1和所有＆＃34; no＆＃34;用0然后再试一次。

请参阅以下最小示例：

test.csv：

x,y,correct,zeros
1,1,1.0,0
2,2,0.0, 0
1,2,0.0,0
3,1,1.0,0
3,1,1.0,0
4,2,0.0, 0
5,2,0.0,0
6,1,1.0,0
7,1,1.0,0
8,2,0.0, 0
9,2,0.0,0
10,1,1.0,0
11,1,1.0,0
12,1,1.0,0
13,1,1.0,0
14,1,1.0,0
15,1,1.0,0
16,1,1.0,0

python文件的内容：

import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import cross_val_score
data = pd.read_csv("./test.csv")
X = data[["x","y"]]
y = data[["correct"]]
knn = LogisticRegression()
scores = cross_val_score(knn, X, y.values.ravel(), cv=3, scoring="accuracy")
scores.mean()

尝试更换线路 X = data[["x","y"]]与X = data[["zeros"]]并注意区别！

根据您的数据统计数据，我们可以了解到数据集中的477个样本中有318个属于0（或＆＃34; no＆＃34;）组。这些是2/3或0.666... 因此，如果您的模型无法从提供的功能中学到任何东西，它将始终输出零（因为所有系数都为零）。因此，对于任何输入，预测的类将为0（或＆＃34; no＆＃34;）。这就是为什么你总是得到相同的分数：模型总是预测0和2/3的数据属于零类，所以你的模型在66％的情况下正确。

使用我提供的数据样本，如果我们使用＆＃34; x＆＃34;我会看到它会产生影响。和＆＃34; y＆＃34;列或＆＃34;零＆＃34;柱。在第一种情况下，我们获得超过72％的分数。如果我们只使用无意义的＆＃34;零＆＃34;，由于数据集的类分布，我们得到66％。

sklearn功能不会影响准确性

1 个答案: