我正在尝试在虹膜数据集上实现K近邻，但是在进行预测之后，yhat可以100％无错误地出现，肯定有什么问题，我也不知道它是什么...
我创建了一个名为class_id的列，在其中进行了更改：
setosa = 1.0
杂色= 2.0
弗吉尼亚= 3.0
该列是float类型。
得到X和Y
x = df[['sepal length', 'sepal width', 'petal length', 'petal width']].values
type（x）显示nparray
y = df['class_id'].values
类型（y）显示nparray
规范化数据
x = preprocessing.StandardScaler().fit(x).transform(x.astype(float))
创建培训和测试
x_train, x_test, y_train, y_test = train_test_split(x,y,test_size = 0.2, random_state = 42)
检查最佳K值：
Ks = 12
for i in range(1,Ks):
k = i
neigh = KNeighborsClassifier(n_neighbors=k).fit(x_train,y_train)
yhat = neigh.predict(x_test)
score = metrics.accuracy_score(y_test,yhat)
print('K: ', k, ' score: ', score, '\n')
结果：
K：1分：0.9666666666666667
K：2分：1.0
K：3分：1.0
K：4分：1.0
K：5分：1.0
K：6得分：1.0
K：7得分：1.0
K：8得分：1.0
K：9得分：1.0
K：10分：1.0
K：11得分：1.0
用K = 5打印y_test和yhat
print(yhat)
print(y_test)
结果：
yhat：[2。 1. 3. 2. 2. 1. 2. 3. 2. 2. 3. 1. 1. 1. 1. 1. 2. 3. 2. 2. 3. 1. 1. 3. 1. 3。
3. 3. 3. 3. 1. 1.]
y_test：[2。 1. 3. 2. 2. 1. 2. 3. 2. 2. 3. 1. 1. 1. 1. 1. 2. 3. 2. 2. 3. 1. 1. 3. 1. 3。
3. 3. 3. 3. 1. 1.]
所有这些都不应该是100％正确的，肯定有错误
最佳答案
尝试制作一个混淆矩阵。测试您的测试数据的每个示例，并检查特异性，敏感性，准确性和准确性的指标。
哪里：
TN = True Negative
FN = False Negative
FP = False Positive
TP = True Positive
在这里您可以检查特异性和敏感性之间的区别
https://dzone.com/articles/ml-metrics-sensitivity-vs-specificity-difference
这里有一个示例，说明如何使用sklearn在python中获得一个混淆矩阵。
同时尝试制作ROC曲线（可选）
https://en.wikipedia.org/wiki/Receiver_operating_characteristic