Question

我对数据集进行了SVM交叉验证。数据的行数为550。在特征选择部分中，从860个特征中选择了200个特征。（我通过一些优化方法选择了功能）运行交叉验证后，我获得了所有得分指标1。

我已经测试了所有cross_validation，cross_val_score，cross_val_预测。我还使用StratifiedKFold拆分了数据，并为10个拆分手动创建了模型。我使用混淆矩阵，并且每个拆分的所有FP和FN中的数据数量为零。

clf = svm.SVC(kernel=my_kernel)
scoring = {'accuracy': make_scorer(accuracy_score),
               'precision': make_scorer(precision_score),
               'recall': make_scorer(recall_score),
               'f1_score': make_scorer(f1_score)}

scores = MD.cross_validate(clf, X_temp, Y, cv=10, scoring=scoring, return_train_score= True)

和

    cv = StratifiedKFold(n_splits=10)
    classifier  = svm.SVC(kernel=my_kernel)
    for train_index, test_index in cv.split(X, y):
        classifier.fit(X[train_index], y[train_index])
        ypred = classifier.predict(X[test_index])
        kappa_score = cohen_kappa_score(y[test_index], ypred)
        confusion = confusion_matrix(y[test_index], ypred)
        print("kappa_score : " + str (kappa_score) + " \n confusion_matrix: \n" + str(confusion))

我也得到相同的结果，而没有使用交叉验证：

    clf = svm.SVC(kernel=my_kernel)
    clf.fit(X_train,Y_train)
    s = clf.predict(X_test)
    accuracy = accuracy_score(Y_test, s)

使用上述所有方法，我的准确度均为100％（对于其他测量也是如此）。虽然我希望得到更低的结果。可能是什么原因？可能与我的数据的类型或数量有关吗？

获得所有测量值（准确性，召回率等）100％

0 个答案: