目前我正试图理解机器学习算法的工作方式，有一件事我真的不明白，那就是预测标签的计算精度和视觉混淆矩阵之间的明显区别。我将尽可能解释清楚。
下面是数据集的片段(在这里你可以看到9个样本(在真实数据集中大约4k)， 6个特征和9个标签(它们代表不是数字，但有些含义和不能像7> 4> 1那样比较):
f1 f2 f3 f4 f5 f6 label
89.18 0.412 9.1 24.17 2.4 1 1
90.1 0.519 14.3 16.555 3.2 1 2
83.42 0.537 13.3 14.93 3.4 1 3
64.82 0.68 9.1 8.97 4.5 2 4
34.53 0.703 4.9 8.22 3.5 2 5
87.19 1.045 4.7 5.32 5.4 2 6
43.23 0.699 14.9 12.375 4.0 2 7
43.29 0.702 7.3 6.705 4.0 2 8
20.498 1.505 1.321 6.4785 3.8 2 9
为了满足好奇心，我尝试了许多算法(线性，高斯，支持向量机(SVC, SVR)，贝叶斯等)。就我对手册的理解而言，在我的情况下，最好使用分类器(离散)，而不是回归(连续)。使用常见的:
model.fit(X_train, y_train)
model.score(X_test, y_test)
Lin_Reg: 0.855793988736
Log_Reg: 0.463251670379
DTC: 0.400890868597
KNC: 0.41425389755
LDA: 0.550111358575
Gaus_NB: 0.391982182628
Bay_Rid: 0.855698151574
SVC: 0.483296213808
SVR: 0.647914795849
连续算法效果更好。当我对贝叶斯岭使用混淆矩阵(必须将浮点数转换为整数)来验证其结果时，我得到了以下结果:
Pred l1 l2 l3 l4 l5 l6 l7 l8 l9
True
l1 23, 66, 0, 0, 0, 0, 0, 0, 0
l2 31, 57 1, 0, 0, 0, 0, 0, 0
l3 13, 85, 19 0, 0, 0, 0, 0, 0
l4 0, 0, 0, 0 1, 6, 0, 0, 0
l5 0, 0, 0, 4, 8 7, 0, 0, 0
l6 0, 0, 0, 1, 27, 36 7, 0, 0
l7 0, 0, 0, 0, 2, 15, 0 0, 0
l8 0, 0, 0, 1, 1, 30, 8, 0 0
l9 0, 0, 0, 1, 0, 9, 1, 0, 0
什么让我明白85%的准确率是错误的。这怎么解释呢?这是因为float/int转换吗?
如果您有任何直接的回答/链接等，我将非常感谢。
你在这里混合了机器学习的两个非常不同的概念:回归和分类。回归通常处理连续值，例如温度或股票市场价值。另一方面，分类可以告诉你记录中的鸟类种类——这正是你需要使用混淆矩阵的地方。它会告诉你算法正确预测标签的次数以及错误的地方。您正在使用的SciPy对这两个部分都有单独的部分。
对于分类和回归问题，您都可以使用不同的度量来对它们进行评分，因此永远不要假设它们具有可比性。正如@javad所指出的，"决定系数"与准确性非常不同。我还建议阅读准确性和召回率。
在你的情况下，你显然有一个分类问题，因此它应该被处理。另外，注意f6看起来像是一个离散的值集。
如果你想快速尝试不同的方法，我可以推荐H2O，它除了漂亮的API之外，还有很好的用户界面，允许大量并行处理。XGBoost也很出色。
请看这里的文档。
如果你在回归方法上调用score()，它们将返回'预测的决定系数R^2 '而不是准确性。
看看这个
使用"模型。分数(X_test y_test)"。