为什么我的 ML 模型的准确性很差？

Question

我是新来的机器学习，我独立自主地建设我的第一个模型。我有一个数据集，用于评估的汽车，它包含价格，安全和豪华和分类的功能，如果它的好，非常好，可接受和不可接受。我转换所有的非数字列为数字，训练数据，并用一个测试组预测。然而，我的预测是可怕的;我用线性回归和r2_score产出0.05这几乎是0。我已经尝试了几种不同型号和一直给我可怕的预测性和准确性。

我做错了什么？我见过的教程，用类似的方法读文章，但他们最终以0.92的精度和我越来越0.05。你如何让你的数据的好模型，你怎么知道哪个型号使用？ P>

代码：

import numpy as np
import pandas as pd
from sklearn import preprocessing, linear_model
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score

import seaborn as sns
import matplotlib.pyplot as plt

pd.set_option('display.max_rows', 500)
pd.set_option('display.max_columns', 500) 
pd.set_option('display.width', 1000)

columns = ['buying', 'maint', 'doors', 'persons', 'lug_boot', 'safety', 'class value']
df = pd.read_csv('car.data.txt', index_col=False, names=columns)

for col in df.columns.values:
    try:
        if df[col].astype(int):
            pass
    except ValueError:
        enc = preprocessing.LabelEncoder()
        enc.fit(df[col])
        df[col] = enc.transform(df[col])

#Split the data
class_y = df.pop('class value')
x_train, x_test, y_train, y_test = train_test_split(df, class_y, test_size=0.2, random_state=0)

#Make the model
regression_model = linear_model.LinearRegression()
regression_model = regression_model.fit(x_train, y_train)

#Predict the test data
y_pred  = regression_model.predict(x_test)

score = r2_score(y_test, y_pred)

Answer 1

您不应使用线性回归，它用于预测连续值而不是分类值。在你的情况下，你试图预测的是分类的。从技术上讲，每种情况都是一个类。

我建议尝试使用逻辑回归或其他类型的分类方法，例如朴素贝叶斯、SVM、决策树分类器等。