Python 在我的决策树模型上获得100%的准确性

这是我的代码，不管测试大小有多大，它总是返回100%的准确度。我使用了train_test_split方法，因此我认为不应该有任何重复的数据。有人能检查一下我的代码吗

from sklearn.tree import DecisionTreeClassifier
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score


data = pd.read_csv('housing.csv')

prices = data['median_house_value']
features = data.drop(['median_house_value', 'ocean_proximity'], axis = 1)

prices.shape
(20640,)

features.shape
(20640, 8)


X_train, X_test, y_train, y_test = train_test_split(features, prices, test_size=0.2, random_state=42)

X_train = X_train.dropna()
y_train = y_train.dropna()
X_test = X_test.dropna()
y_test = X_test.dropna()

model = DecisionTreeClassifier()
model.fit(X_train, y_train)

y_train.shape
(16512,)

X_train.shape
(16512, 8)


predictions = model.predict(X_test)
score = model.score(y_test, predictions)
score 

---

编辑：发现多个问题后，我重新修改了答案。请复制粘贴下面的代码，以确保没有留下错误

问题-

对于回归问题，您使用的是

DecisionTreeClassifier

而不是

DecisionTreeRegressor

在执行测试序列分割后，您将删除

nans

，这将扰乱样本计数。在拆分之前执行

data.dropna（）

您使用的是

模型。分数（X\u测试，y\u测试）

不正确，通过了

（X\u测试，预测）

。请使用

accurity\u score（X\u测试，预测）

替换这些参数，或者修复语法

---

来自sklearn.tree import DecisionTreeRegressor#您所说的“不管测试大小有多大”是什么意思？我怀疑，如果你将测试大小设置为数据的90%，那么该模型仍能提供100%的准确性。此外，在一个简单的数据集上获得100%的准确率并不是什么大问题。我关心的是，为什么要使用
决策树分类器
而不是
决策树回归器
进行房价分类。也许这就是你的答案。为什么
DecisionTreeClassifier（）
？这不是回归问题吗？请注意，这不是过度拟合。过度拟合是指训练精度相当高，但验证精度相对较低的情况。这表明你的模型非常适合你的训练数据，但不能概括看不见的数据。这仍然返回100%的准确度。你能将测试数据大小更改为0.9并告诉我发生了什么吗？它仍然返回0.9测试数据的100%准确度。别介意我发现了你的问题。请检查model.score语句。你用错了。查看我的最新评论。让我知道它是否修复了它。它返回ValueError:y_true和y_pred的输出数不同（8！=1）
from sklearn.tree import DecisionTreeRegressor #<---- FIRST ISSUE
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score


data = pd.read_csv('housing.csv')

data = data.dropna() #<--- SECOND ISSUE

prices = data['median_house_value']
features = data.drop(['median_house_value', 'ocean_proximity'], axis = 1)

X_train, X_test, y_train, y_test = train_test_split(features, prices, test_size=0.2, random_state=42)

model = DecisionTreeRegressor()
model.fit(X_train, y_train)

predictions = model.predict(X_test)
score = accuracy_score(y_test, predictions) #<----- THIRD ISSUE
score