C# ML.NET算法评估乳腺癌的实例总是错误的

我正在使用ML.NET二进制分类算法对威斯康星州的乳腺癌数据进行分类。在训练模型之后，我发现每个实例的评估结果都是错误的。 在我的测试文件中，我有100个实例。75个否定和25个肯定。因此，从度量标准来看，准确度为0.75，负精度为0.75。这意味着所有实例的计算值均为0（false）

private static string trainingDataPath=Path.Combine（Path.Combine（AppDomain.CurrentDomain.BaseDirectory，“uploads”），“data.csv”）；
私有静态字符串testDataPath=Path.Combine（Path.Combine（AppDomain.CurrentDomain.BaseDirectory，“uploads”），“test.csv”）；
公共布尔检查诊断（胸癌数据输入）
{ 
//建立一个新的机器学习环境
var mlContext=新的mlContext（）；
//负载训练和测试数据
var trainingDataView=mlContext.Data.LoadFromTextFile（trainingDataPath，hashheader:false，separatorChar:'，'）；
var testDataView=mlContext.Data.LoadFromTextFile（testDataPath，hashreader:false，separatorChar:'，'）；
//预览数据。
//var dataPreview=trainingDataView.Preview（最大行数：700）；
//var dataPreview2=testDataView.Preview（）；
//其余的培训代码都在这里。。。
var trainer=mlContext.binaryclagration.Trainers.LinearSvm（“标签”、“特征”）；
var trainingPipeline=mlContext.Transforms.Concatenate（outputColumnName:“Features”，nameof（BreastCancerData.AreaMean），
nameof（BreastCancerData.AreaSe）、nameof（BreastCancerData.AreaBest）、nameof（BreastCancerData.CompactnessMean），
名称（BreastCancerData.CompactnessE）、名称（BreastCancerData.CompactnessBest）、名称（BreastCancerData.ConcavePointsMean），
name of（BreastCancerData.ConcavePointsSe）、name of（BreastCancerData.ConcavePointsWorst）、name of（BreastCancerData.ConcavityMean），
nameof（乳腺癌数据。凹度）、nameof（乳腺癌数据。凹度最差）、nameof（乳腺癌数据。分形维数平均值），
nameof（BreastCancerData.FractalDimensionSe）、nameof（BreastCancerData.FractalDimensionsWest）、nameof（BreastCancerData.Id），
姓名（乳腺癌数据.视野测量员），姓名（乳腺癌数据.视野测量员），姓名（乳腺癌数据.视野测量员），
nameof（乳腺癌数据.半径平均值），nameof（乳腺癌数据.半径平均值），nameof（乳腺癌数据.平滑平均值），
nameof（breastcancertata.SmoothnessSe）、nameof（breastcancertata.smoothnessbost）、nameof（breastcancertata.symmetryman），
nameof（breastcancertata.SymmetrySe）、nameof（breastcancertata.SymmetryWorst）、nameof（breastcancertata.TextureMean），
nameof（BreastCancerData.TextureSe），nameof（BreastCancerData.textureHost））
.Append（mlContext.Transforms.CopyColumns（outputColumnName:“Label”，inputColumnName:nameof（BreastCancerData.Diagnosis）））
.附加（培训师）；
//预览培训和转化的结果。
var transformationPreview=trainingPipeline.Preview（trainingDataView，maxRows:700）；
尝试
{
var模型=trainingPipeline.Fit（trainingDataView）；
使用（var file=file.OpenWrite（Path.Combine（Path.Combine（AppDomain.CurrentDomain.BaseDirectory，“uploads”），“model.ZIP”））
mlContext.Model.Save（Model，trainingDataView.Schema，file）；
ITransformer训练模型；
使用（var stream=File.OpenRead（Path.Combine（Path.Combine（AppDomain.CurrentDomain.BaseDirectory，“uploads”），“model.ZIP”））
{
trainedModel=mlContext.Model.Load（stream，out-var-modelInputSchema）；
}
var predictionEngine=mlContext.Model.CreatePredictionEngine（trainedModel）；
Console.WriteLine（“**测试产品1**”）；
//预测
乳腺癌预测预测=预测引擎预测（输入）；
WriteLine（$“Product:{input.Id}-Diagnostic:{prediction.prediction}”）；
BinaryClassificationMetrics metrics=mlContext.BinaryClassification.EvaluateNoCalibrated（model.Transform（testDataView），“标签”）；
WriteLine（$“精度：{metrics.accurity:P2}”）；
WriteLine（$“负精度：{metrics.NegativePrecision:P2}”）；
WriteLine（$“正精度：{metrics.PositivePrecision:P2}”）；
WriteLine（$“积极回忆：{metrics.PositiveRecall:P2}”）；
WriteLine（$“负面回忆：{metrics.NegativeRecall:P2}”）；
WriteLine（$“区域精度：{metrics.AreaUnderRocCurve:P2}”）；
收益预测；
}
捕获（例外e）
{
}
返回false；

编辑1:

公共级胸围数据
{
[加载列（0）]
公共浮点Id{get；set；}
[第（1）栏]
公共布尔诊断{get；set；}
[第（2）栏]
公共浮点半径平均值{get；set；}
[第（3）栏]
公共浮点结构面{get；set；}
[第（4）栏]
公共浮点周长{get；set；}
[第（5）栏]
公共浮点区域平均值{get；set；}
[第（6）栏]
公共浮点平滑平均值{get；set；}
[第（7）栏]
公共浮点紧平均值{get；set；}
[第（8）栏]
公共浮点凹面{get；set；}
[第（9）栏]
公众浮标凹坑{