小编Swa*_*n87的帖子

我一直在尝试使用Python和scikit-learn工具箱训练ML分类器。

首先，我在分割数据集时应用了自己的阈值（例如int（len（X）* 0.75）），并在打印指标时得到了以下结果：

         precision    recall  f1-score   support

      1       0.63      0.96      0.76        23
      2       0.96      0.64      0.77        36

avg / total   0.83      0.76      0.76        59

然后，我使用交叉验证，以便使用以下方法更详细地了解模型的准确性：scores = cross_validation.cross_val_score（X，y，cv = 10）并获得以下得分：

Cross_val_scores = [0.66666667 0.79166667 0.45833333 0.70833333 0.52173913
0.52173913 0.47826087 0.47826087 0.52173913 0.47826087]

准确度：0.56（标准偏差：+/- 0.22），此处的准确度等于平均值​​（分数）。

有人可以建议我如何正确解释这些分数吗？我了解使用交叉验证时如何拆分数据集，以便在整个数据集范围内观察模型的准确性，但我想了解更多。

• 例如，有一种方法可以拆分并实现最高的精度（例如0.79166667），如果可以的话，我该怎么做？
• 我想发生这种情况是因为我的数据集中存在一个分裂，即使用这些数据训练模型可以产生更精确的预测，对吗？
• 有没有办法降低相对较高的标准偏差？

感谢您的时间。

我一直在使用http://scikit-learn.org/stable/modules/generated/sklearn.cross_validation.cross_val_score.html

为了交叉验证逻辑回归分类器。我得到的结果是：

[ 0.78571429  0.64285714  0.85714286  0.71428571  
0.78571429  0.64285714    0.84615385  0.53846154  
0.76923077  0.66666667]

我的主要问题是如何找到哪个集合/折叠使我的分类器得分最大化并产生 0.857。

后续问题：用这组训练我的分类器是一个好习惯吗？

先感谢您。