Python 准确性对sklearn的意义

我正在做一个预测体育赛事结果的项目。为此，我预测单个事件的赢家和输家。然后我根据这一点下注。如果我考虑所有的事件，我的策略在59%的事件中得到肯定的回报。 我只想在我希望获胜的赛事上下注。为此，我使用sklearn将事件分为我期望盈利的事件和我将亏损的事件。然后，我将只在属于盈利活动的活动上下注。我的模型的精度为0.60，使用以下代码进行生产和测试：

knn = KNeighborsClassifier(n_neighbors = 6)
knn.fit(df_classifier, data_indicator)
y = data_indicator.values
X = df_classifier.values
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.3, random_state = 21, stratify = y)
knn = KNeighborsClassifier(n_neighbors = 300)
knn.fit(X_train, y_train)
y_pred = knn.predict(X_test)
knn.score(X_test,y_test) 

根据我的理解，准确度是它正确预测的事件数量。因此，如果正确和不正确的预测平均分布在每个结果（盈利和非盈利事件）上，那么20%的盈利事件将被错误分类，而亏损事件也是如此

这是否意味着，如果我只在预测的盈利事件上下注，我的下注回报率会从59%提高到（59+20）%=79%？

---

此外，如果我的推理是正确的，是否有可能在我的胜负结果中看到正确和错误的分布。

我不理解你的逻辑，但这听起来不正确。它更像是一道数学题，而不是编程题。但只要加上这两行，你就可以看到正确和错误结果的分布：

from sklearn.metrics import confusion_matrix
print(confusion_matrix(y_test, y_pred))

有关更多详细信息，请参阅：

---

希望对你有所帮助。

你基本上是在做二进制分类，预测输赢。假设赢是积极的，失去了消极的阶级，你可以有四个不同的结果，你的预测：

• 真正积极（TP）：你的模型预测了胜利，事实上这是一场胜利
• 假阳性（FP）：你的模型预测了胜利，但失败了
• 真负（TN）：你的模型预测失败，事实上这是一个松散的过程
• 假阴性（FN）：你的模型预测失败，但这是一场胜利

---

准确度现在是（TP+TN）/（TP+FP+TN+FN），基本上所有正确的预测除以所有预测。使用这些信息，您可以查看每个类的度量（赢和输）和混淆矩阵（&），以便更深入地了解您的模型性能。如果你只赌赢或输，你就可以从中计算出你的正确概率。

这似乎不是一个编程问题或问题，它更适合统计SE或数据科学。对于每个结果的

y_检验

，如果估计它将返回利润，我会考虑结果是否盈利。预测的盈利结果有7287项，其中6297项实际产生了盈利结果。因此，我假设我已将盈利赌注从59%增加到86%。我认为这很好。