Python 尝试不同的机器学习模型，预测的列表总是相同的
我试图在我的数据上比较不同的机器学习模型（来自data.world的Austin动物收容所收养数据）。发生了一件有趣的事情，不管我使用了什么模型（决策树、逻辑回归、随机森林），预测结果总是完全一样的Python 尝试不同的机器学习模型，预测的列表总是相同的,python,machine-learning,Python,Machine Learning,我试图在我的数据上比较不同的机器学习模型（来自data.world的Austin动物收容所收养数据）。发生了一件有趣的事情，不管我使用了什么模型（决策树、逻辑回归、随机森林），预测结果总是完全一样的 predictedDTC_Dog、logreg_predict和predictedRFC的值相同。我做错了什么？不是使用sklearn的专家。但从快速查看代码来看，您是在根据相同的数据进行拟合和预测。这可能导致完全匹配。试着把一些训练数据和测试数据分开，你得到的答案是一样的，因为你提供了一个模型都是
predictedDTC_Dog、logreg_predict和predictedRFC的值相同。我做错了什么？不是使用sklearn的专家。但从快速查看代码来看，您是在根据相同的数据进行拟合和预测。这可能导致完全匹配。试着把一些训练数据和测试数据分开，你得到的答案是一样的，因为你提供了一个模型都是训练过的例子。给他们一个他们还没有看到答案的问题来解决。谢谢！！采用列车试验分离，用列车数据拟合模型，然后计算试验数据的精度。分别使用DecisionTree和LogisticReturnal进行此操作。得到了不同的准确度值。但也许我需要对一些错误的概念进行思考。。。即使对于同一组数据，如果我使用不同的模型，我是否应该对同一个人进行不同的预测，因为这些模型基于完全不同的假设、理论是的，但你是在相同的数据上进行训练和预测的。因此，即使模型有完全不同的假设，它们也会将这些假设应用于训练数据以了解它，然后将相同的假设应用于预测数据。
from sklearn import tree
modelDTC_Dog = tree.DecisionTreeClassifier(criterion='gini')
modelDTC_Dog.fit(df_Dog_X, df_Dog_y)
predictedDTC_Dog = modelDTC_Dog.predict(df_Dog_X)
from sklearn.linear_model import LogisticRegression
logreg = LogisticRegression()
logreg.fit(df_Dog_X, df_Dog_y)
logreg_predict = logreg.predict(df_Dog_X)
from sklearn.ensemble import RandomForestClassifier
modelRFC = RandomForestClassifier(n_estimators=100, criterion='entropy')
modelRFC.fit(df_Dog_X, df_Dog_y)
predictedRFC = modelRFC.predict(df_Dog_X)