我正在尝试使用 sklearn 库在 python 3 中构建逻辑回归模型。
让我们继续使用下面的简短版本,
dv - 因变量
idv - 自变量
现在我有 idv1、idv2、idv3、idv4、idv5、idv6、idv7、idv8 和 idv9。
其中 idv6 到 idv9 是分类变量(idv6 和 idv7 有 3 个类别..其中 idv8 和 idv9 是 bool 变量..是或否类型变量 [0 或 1])
dv 又是一个 bool 变量(是或否类型的变量)。
现在,我已经为最终模型数据的所有 idv6 到 idv9 创建了一个虚拟对象...即 idv6_c1、idv6_c2、idv_c3,并对其余的进行类似操作...例如 idv8 和 idv9 的 idv8_c1、idv8_c2。
现在,在拟合模型并找到预测值的指标之后......
我得到的accuracy_score为76.7415479670124 %, precision_score为76.7415479670124 %
我使用 sklearn.metrics.accuracy_score 和 sklearn.metrics. precision_score 库进行了计算。
我想知道..这是正确的还是我错过了什么......?
这会发生吗?...准确度和精度几乎等于 13 位小数???...我确定...我做错了什么...有人可以帮助我吗?
最佳答案
准确率 = 真阳性/(真阳性 + 假阳性)
准确率 =(真阳性 + 真阴性)/(真阳性 + 假阳性 + 真阴性 + 假阴性)
因此,如果没有负面预测,这两个值将相等。
关于python - precision_score 和 precision_score 可以相等吗?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/54557082/