我的模型应该总是在训练数据集上提供100%的准确率吗？
提问于 2020-06-04 03:42:42
from sklearn.naive_bayes import MultinomialNB # Multinomial Naive Bayes on Lemmatized Text
X_train, X_test, y_train, y_test = train_test_split(df['Rejoined_Lemmatize'], df['Product'], random_state = 0)
X_train_counts = tfidf.fit_transform(X_train)
clf = MultinomialNB().fit(X_train_counts, y_train)
y_temp = clf.predict(tfidf.transform(X_train))我正在训练数据集本身上测试我的模型。它给了我以下结果：
precision recall f1-score support
accuracy 0.92 742500
macro avg 0.93 0.92 0.92 742500
weighted avg 0.93 0.92 0.92 742500在训练数据集上获得100%的accuracy<是可以接受的吗？
回答 3
Stack Overflow用户
发布于 2020-06-04 03:49:50
不，你不应该从你的训练数据集中获得100%的准确率。如果是这样，可能意味着你的模型过度拟合了。
Stack Overflow用户
发布于 2020-06-04 07:35:09
TL:DR:是的，在测试数据集上有更好的性能是可以获得的
分类(监督学习)中最重要的问题是泛化问题，即生产(或测试数据集)中的性能。实际上，学习数据集上的性能并不重要，因为它只用于学习模型。一旦完成，您将永远不会使用它，并且仅在学习过程中未见过的数据上的性能将提交给模型。
一个足够复杂(具有足够容量)的统计模型可以完美地拟合任何学习数据集，并在其上获得100%的准确率。但是，通过完美地拟合训练集，它在训练期间看不到的新数据上的性能将很差(过度拟合)。因此，这不是你感兴趣的东西。因此，您可以接受降低训练数据集的性能，以便更好地泛化，也就是说，在学习期间未使用的数据上获得更好的性能。这就是正则化。
在您的情况下，我仍然不确定MultinomialNB是否允许控制正则化。你应该尝试其他的sklearn分类器，比如proposed here。
Stack Overflow用户
发布于 2020-06-04 09:06:57
我认为最好使用交叉验证结果来准确估计您的准确性。交叉验证被认为是避免过度拟合的一种有效方法。
from sklearn.model_selection import cross_val_score
scores = cross_val_score(clf, X_train, y_train, cv=10) 并且，您可以报告平均分的值：scores.mean()。
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/62186526
复制
腾讯云开发者
