为什么在Python中以这两种不同的方式使用SVM会得到非常不同的准确率分数？
为什么在Python中以这两种不同的方式使用SVM会得到非常不同的准确率分数？
提问于 2018-08-18 20:29:16
使用Python和SVM，我应用了这两段代码：
首先，我使用dataset应用了这段代码
from sklearn.metrics import confusion_matrix
from sklearn.metrics import cohen_kappa_score
from sklearn.metrics import accuracy_score
from sklearn.metrics import classification_report
from sklearn.svm import LinearSVC
model = LinearSVC(class_weight='balanced',C=0.01, penalty='l2').fit(X_, y)
y_preds = model.predict(X_)
report = classification_report( y, y_preds )
print(report)
print(cohen_kappa_score(y, y_preds),'\n', accuracy_score(y, y_preds), \n',confusion_matrix(y, y_preds))这给了我这样的准确性：0.9485714285714286
其次，我将此代码再次应用于完全相同的数据集
from sklearn.svm import LinearSVC
from sklearn.model_selection import cross_val_score
models = [
LinearSVC(class_weight='balanced',C=0.01, penalty='l2', loss='squared_hinge'),
]
CV = 5
cv_df = pd.DataFrame(index=range(CV * len(models)))
entries = []
for model in models:
model_name = model.__class__.__name__
accuracies = cross_val_score(model, X_, y, scoring='accuracy', cv=CV)
for fold_idx, accuracy in enumerate(accuracies):
entries.append((model_name, fold_idx, accuracy))
cv_df = pd.DataFrame(entries, columns=['model_name', 'fold_idx', 'accuracy'])
cv_df.groupby('model_name').accuracy.mean()精确度不同：0.797090
我的错误在哪里？
哪种代码是正确的？
如何计算第二个代码中交叉验证后的精确度和召回率？
回答 1
Stack Overflow用户
回答已采纳
发布于 2018-08-18 21:23:10
在第一个代码中，你只做了一次预测和精度计算。而在第二个代码中，你做了5次预测和准确度计算(使用不同的数据集)，然后得到准确率得分的平均值。换句话说，第二个代码给出了更可靠的准确性分数。
至于您的另一个问题，如果您想对多个指标进行交叉验证，可以使用cross_validate()而不是cross_val_score()
scores = cross_validate(model, X, y, scoring=('precision', 'recall'))
print(scores['precision'])
print(scores['recall'])页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/51908671
复制相关文章
相似问题