Python和x27之间的区别；s sklearn（DecisionTreeClassifier，SVM）？_Python_Machine Learning_Scikit Learn_Classification_Decision Tree

Python和x27之间的区别；s sklearn（DecisionTreeClassifier，SVM）？

python machine-learning scikit-learn

Python和x27之间的区别；s sklearn（DecisionTreeClassifier，SVM）？,python,machine-learning,scikit-learn,classification,decision-tree,Python,Machine Learning,Scikit Learn,Classification,Decision Tree,我不熟悉机器学习，特别是分类技术我已经在网上阅读了一些教程，我正在使用。我尝试将数据集拆分为train并使用 train, test = train_test_split(df, test_size=test_size, train_size=train_size, random_state=random_st

我不熟悉机器学习，特别是分类技术

我已经在网上阅读了一些教程，我正在使用。我尝试将数据集拆分为train并使用

train, test = train_test_split(df,
                               test_size=test_size,
                               train_size=train_size,
                               random_state=random_state)

随后，我找到了两种方法来拟合模型（DecisionTreeClassifier和SVM）：

这两种模型都允许我使用.fit（）和.score（）方法。我尝试过对不同大小和随机状态的数据进行重新采样，但在这两个模型中，我得到了完全相同的0.9852分。我做错什么了吗

此外，是否需要将目标变量（“类”）转换为所述的数值？我尝试用原始字符串值拟合数据帧，得到了相同的结果。非常感谢您的帮助

正确使用

train\u test\u split

的方法如下：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.model_selection import cross_val_score
from sklearn.tree import DecisionTreeClassifier
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

#Load Iris data, X: features and y:target/labels
df = load_iris()
y = df.target
X = df.data

#Split the data
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state= 99)

#Fit the 2 classifiers
dt = DecisionTreeClassifier(min_samples_split=20, random_state=99)
clf = SVC(kernel='linear', C=1)

dt.fit(X_train, y_train)
y_predicted_dt = dt.predict(X_test)
scores_dt = accuracy_score(y_test, y_predicted_dt)
print(scores_dt)

clf.fit(X_train, y_train)
y_predicted_clf = clf.predict(X_test)
scores_clf = accuracy_score(y_test, y_predicted_clf)
print(scores_clf)

结果：

#Accuracy of dt classifier
0.933333333333

#Accuracy of clf classifier
0.983333333333

底线：

#Accuracy of dt classifier
0.933333333333

#Accuracy of clf classifier
0.983333333333

在您的情况下，在

train\u test\u split

中，您仅以

的身份通过

df

您不需要转换thr类。只需使用

精度评分

或

交叉评分

功能。