我正在尝试使用scikit-learn中的DecisionTreeClassifier计算分类模型的置信区间。
阅读有关交叉验证和置信区间（https://scikit-learn.org/dev/modules/cross_validation.html）的scikit-learn文档，我发现下面的代码，看起来很简单。但是，我不明白为什么上限大于1，如何才能使精度高于100％？
from sklearn.model_selection import cross_val_score
clf = svm.SVC(kernel='linear', C=1)
scores = cross_val_score(clf, iris.data, iris.target, cv=5)
print("Accuracy: %0.2f (+/- %0.2f)" % (scores.mean(), scores.std() * 2))
Accuracy: 0.98 (+/- 0.03)
最佳答案
显然不能大于1。
此代码中的基本假设是，在scores中计算出的分数将根据正态分布进行分配。然后，由mean+/- 2*std给出95％的置信区间。
在大多数情况下，它会给出明智的结果，但是在您的情况下，它是个模糊的定义，因为平均准确度已经非常接近1。 ％？然后，您只需要删除std前面的因子2，上限将为99.5％。
关于python - Scikit学习:交叉验证和置信区间，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/54618725/