Python Logistic回归预测阈值误差

我使用逻辑回归预测二元变量设置阈值为.60。模型的准确性给了我一个错误

我正在使用

predict_proba（）

将阈值设置为.60，但当我试图找到模型的准确性时，它给了我错误：

---

问题是

y\u train1

也不包含布尔数组。检查

df[“animal”]

系列中的内容，并确定哪一类是阳性的（例如，如果该类中填充了

'dog'

和

'cat'

，则假设“cat”为真，则以下代码段将起作用）：

---

---

您可以使用逻辑回归模型（

model.classes.

）上的

classes.

属性查看

'cat'

或

'dog'

是否分配给0或1

df[“animal”]包含多少类，您能在问题中显示其中的一个片段吗？您的问题是本系列的数据类型是string2类-->dog and catYep，这是您的问题。我已经添加了一个答案，我将对其进行编辑，以反映dog和catDog的使用情况，catDog为假，Cat为真，更新后的答案反映出我获得了准确度，但其非常低，显示为0.90。但是当我做正常的逻辑回归而没有超出阈值时，它给了我.98。我认为我在这里做了一些错误的事情。你确定你的类是正确的吗（例如，cal肯定是真的吗？）

print（model.classes）

的输出是什么

X=df[["age",  "breed"]]
y=df["animal"]

from sklearn.model_selection import train_test_split
X_train1,X_test1,y_train1,y_test1=train_test_split(X,y,test_size=0.30,random_state=0)

# import the class
from sklearn.linear_model import LogisticRegression


model = LogisticRegression(class_weight="balanced")
model.fit(X_train1, y_train1)


preds = (model4.predict_proba(X_test1)[:,1] >= 0.60)
print(preds)
#from sklearn import metrics
#print(" Prediction Accuracy:",metrics.accuracy_score(y_test1, prediction4))
#from sklearn.metrics import accuracy_score
dat= accuracy_score(y_test1, preds)
print(dat)

dat= accuracy_score(y_test1=="cat", preds)