在具有不同症状的决策树和朴素贝叶斯算法中表现出相同的准确性
我试图获得不同的准确性,但所有结果都保持不变
这个项目是关于疾病的预测
#decision_tree
from sklearn import tree
from sklearn.metrics import accuracy_score
decision_tree = tree.DecisiontTreeClassifier()
decision_tree = decision_tree.fit(train_x,train_y)
res_pred = decision_tree.predict(x_test)
print(accuracy_score(y_test,res_pred))
#naive_bayes
from sklearn.naive_bayes import GaussuanNB
gnb = gnb.fit(train_x,np.ravel(train_y))
y_pred = gnb.predict(x_test)
print(accuracy_score(y_test,y_pred)
结果始终为0.9512195121951219
答案 0 :(得分:0)
通常会出现一些机器学习问题,这些问题非常简单,几乎每个模型在它们上的表现都一样好。为了从这两个模型中获得不同的结果,请尝试更改其超参数(例如将决策树的最大深度设置为1)。