逻辑回归模型中准确度得分低的一些原因可能是什么？答案

【问题标题】：What could be some reasons for a low accuracy score in a Logistic Regression model?逻辑回归模型中准确度得分低的一些原因可能是什么？
【发布时间】：2020-02-12 16:00:12
【问题描述】：

我正在构建一个关于银行违约分类的机器学习项目，并获得了 56% 的低准确度和 61% 的准确度。我知道这可以进一步改进。请让我知道一些可能导致提高分数的因素。

数据是关于贷款偿还的，我必须将客户分类为违约者或非违约者。我的训练测试比率是 70%:30%。

' X=loan.drop("loan_status",axis=1) Y=贷款["loan_status"]' Xtrain,Xtest,Ytrain,Ytest=train_test_split(X,Y,test_size=0.30,random_state=6) loan_model=LogisticRegression() Prediction=loan_model.predict(Xtest) 分类报告：精确召回 f1 分数支持

       0       0.41      0.22      0.29        59
       1       0.61      0.79      0.69        91

微平均 0.57 0.57 0.57 150 宏观平均 0.51 0.51 0.49 150 加权平均 0.53 0.57 0.53 150 混淆矩阵： [[13 46] [19 72]] 准确度分数：准确度得分为：0.5666666666666667

【问题讨论】：

向我们提供您的数据的 sn-p，没有人能猜出您的数据是什么样的。

标签： python-3.x machine-learning project

【解决方案1】：

在没有看到您的数据或代码的情况下，我们只能为您提供关于提高准确性的一般性建议。以下是我想到的两个主要，

1- 分类准确度低意味着您的类与您拥有的当前特征不能很好地分离。对此的补救措施是找到更多（和更好）的功能。

2- 如果您有足够的观察结果，请尝试具有更复杂的决策边界的模型，例如 SVM 或具有深层和神经元的 NN。

【讨论】：