Python 在3个不同分类器上使用相同的数据集输出相同的混淆矩阵/准确度分数

我面临一个问题，三个不同的分类器，都在同一个数据集（sklearn iris数据集）上训练，输出完全相同的精度分数和混淆矩阵。我给我的教授发了电子邮件，问她这是否正常，如果不是，她有什么建议，她给我的基本上是“这不正常，回去看看你的代码”

从那以后，我对我的代码做了相当多的研究，但我似乎看不到发生了什么。我希望这里的人能给我一些启示，我也能从这次经历中学到一些东西

这是我的密码：

#数据集
从sklearn导入数据集
#数据预处理
从sklearn.model\u选择导入列车\u测试\u拆分
从sklearn.preprocessing导入StandardScaler
#分类器
从sklearn.svm导入SVC
从sklearn.tree导入DecisionTreeClassifier
从sklearn.linear_模型导入逻辑回归
#性能指标
从sklearn.metrics导入混淆矩阵、准确性得分
如果uuuu name uuuuuu='\uuuuuuu main\uuuuuuu'：
#将数据集读入内存。
iris=数据集。加载\u iris（）
#将自变量和因变量提取为变量。
X=iris.data
y=iris.target
#分割训练和测试集（70/30）。
X_序列，X_测试，y_序列，y_测试=序列测试分割（X，y，测试大小=0.30，随机状态=0）
#将定标器适配到训练集，并变换训练集和测试集
#列，因为所有因变量都不包含分类数据，所以都是列。
ss=StandardScaler（）
X_序列=ss.fit_变换（X_序列）
X_测试=ss.变换（X_测试）
#创建分类器。
dt_分类器=决策树分类器（随机_状态=0）
svm_分类器=SVC（核=rbf'，随机_状态=0）
lr_分类器=逻辑回归（随机_状态=0）
#将分类器与训练数据相匹配。
dt_分类器拟合（X_序列，y_序列）
svm_分类器.fit（X_序列，y_序列）
lr_分类器。拟合（X_序列、y_序列）
#使用现在训练好的分类器进行预测。
dt_y_pred=dt_分类器.预测（X_检验）
svm_y_pred=svm_分类器。预测（X_测试）
lr_y_pred=lr_分类器.预测（X_检验）
#使用测试集的预测结果和实际结果创建混淆矩阵。
dt_cm=混淆矩阵（y_测试，dt_y_pred）
svm_cm=混淆矩阵（y_测试，svm_y_pred）
lr_cm=混淆矩阵（y_测试，lr_y_pred）
#使用测试集的预测结果和实际结果计算准确度分数。
dt_分数=准确度_分数（y_测试，dt_y_pred）
svm_分数=准确度_分数（y_测试，svm_y_pred）
lr_分数=准确度_分数（y_测试，lr_y_pred）
#打印每个分类器的混淆矩阵和精度分数。
打印（'---决策树分类器---'）
打印（f'混淆矩阵：\n{dt_cm}'）
打印（f'精度分数：{dt\U分数}\n'）
打印（'---支持向量机分类器---'）
打印（f'混淆矩阵：\n{svm\u cm}'）
打印（f'精度分数：{svm_分数}\n'）
打印（'--Logistic回归分类器--'）
打印（f'混淆矩阵：\n{lr_cm}'）
打印（f'准确度分数：{lr_分数}'）

输出：

--- Decision Tree Classifier ---
Confusion Matrix:
[[16  0  0]
 [ 0 17  1]
 [ 0  0 11]]
Accuracy Score:0.9777777777777777

--- Support Vector Machine Classifier ---
Confusion Matrix:
[[16  0  0]
 [ 0 17  1]
 [ 0  0 11]]
Accuracy Score:0.9777777777777777

--- Logistic Regression Classifier ---
Confusion Matrix:
[[16  0  0]
 [ 0 17  1]
 [ 0  0 11]]
Accuracy Score:0.9777777777777777

---

如您所见，每个不同分类器的输出完全相同。任何人能给我的任何帮助都将不胜感激。

您的代码没有问题

在以下情况下，结果的相似性并非意外：

数据相当“简单”

样品太小了

这两个前提都在这里。虹膜数据将使用现代ML算法（包括您在此处使用的算法）进行分类；再加上你的测试集小得离谱（只有45个样本），这样的结果并不令人惊讶

事实上，只需将数据分割更改为使用

测试大小=0.20

，所有3个模型的准确度都将达到1.0

---

没什么好担心的。

非常感谢您的回答以及与另一个问题的链接，这进一步帮助我理解了为什么会是这样。这是一个有趣的结果，我认为这是我程序中的一个错误。@georgeedwardshauv非常欢迎你；下面是关于NNs和Keras（这次有自己的答案）。