Python 我的准确度为0.0，我不'；我不知道为什么？

我得到的精度是0.0。我正在使用波士顿住房数据集

这是我的密码：

import sklearn
from sklearn import datasets
from sklearn import svm, metrics
from sklearn import linear_model, preprocessing
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score
boston = datasets.load_boston()

x = boston.data
y = boston.target

train_data, test_data, train_label, test_label = sklearn.model_selection.train_test_split(x, y, test_size=0.2)

model = KNeighborsClassifier()

lab_enc = preprocessing.LabelEncoder()
train_label_encoded = lab_enc.fit_transform(train_label)
test_label_encoded = lab_enc.fit_transform(test_label)

model.fit(train_data, train_label_encoded)
predicted = model.predict(test_data)
accuracy = model.score(test_data, test_label_encoded)
print(accuracy)

---

如何提高此数据集的准确性？

波士顿数据集用于回归问题。定义如下：

加载并返回波士顿房价数据集（回归）

因此，如果您使用普通编码，比如标签不是来自连续数据的样本，那么这是没有意义的。例如，您将12.3和12.4编码为完全不同的标签，但它们彼此非常接近，如果分类器在实际目标为12.3时预测12.4，但这不是二进制情况，则您对结果的评估是错误的。在分类中，预测是正确与否，但在回归中，预测是以不同的方式计算的，如均方误差

这一部分不是必需的，但我想为您提供一个相同数据集和源代码的示例。通过将标签四舍五入到零（到最接近零的整数）的简单方法，您将获得一些直觉

5.0-5.9 -> 5
6.0-6.9 -> 6
...
50.0-50.9 -> 50

让我们稍微修改一下代码

import numpy as np

def encode_func(labels):
    return np.array([int(l) for l in labels])

...

train_label_encoded = encode_func(train_label)
test_label_encoded = encode_func(test_label)

---

输出将在10%左右。

您对目标变量进行标签编码的原因是什么？在我看来，这个问题对stackoverflow似乎不是特别相关/有用，尽管我很想听听其他人的意见。不客气。函数对浮点进行舍入或将浮点转换为整数，如将13.7转换为13

int（）

函数进行转换。当我说“将标签四舍五入到零（到最接近零的整数）”时，我正试图对此进行解释。例如，如果输入是

[2.1,2.0,3.9,7.1,2.7]

，则输出将是

[2,2,3,7,2]

。在这个数据集中进行分类只是一个糟糕的例子。你可以尝试使用回归模型。