R 中的 C5.0 机器学习，对测试数据具有 100% 的准确度

Question

我正在做一个机器学习项目，并使用 C5.0 决策树来查看乳腺癌数据，以尝试预测诊断为恶性还是良性。该数据集是 UCI 机器学习数据集之一，发布在此链接：https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+%28Diagnostic%29。

我认为我的代码对于模型来说是正确的，但是每当我为测试数据运行它时，它就会对这些数据具有 100% 的准确性。我假设这意味着我做错了什么，但我不确定是什么：

#Load Library
library(C50)
library(gmodels)
library(tidyverse)
library(dplyr)

#Import Data
setwd("C:\\Users\\Grant\\Downloads")
wdbc<-read.delim("C:\\Users\\Grant\\Downloads\\wdbc.txt", header=TRUE, sep=",")

#Need to convert it to factor
wdbc2=mutate(wdbc, Diagnosis=as.factor(diagnosis))

#Randomize Sequence
set.seed(12345)
wdbc_rand<-wdbc2[order(runif(569)), ]

#Split into training vs. test data
wdbc_train<-wdbc_rand[1:512, ]
wdbc_test<-wdbc_rand[512:569, ]


#Create Model
wdbc_model<-C5.0(x=wdbc_train[-2], y=wdbc_train$Diagnosis)

#Evaluate Performance
wdbc_pred <- predict(wdbc_model, wdbc_test)
CrossTable(wdbc_test$Diagnosis, wdbc_pred, prop.chisq = FALSE,
           prop.c = FALSE, prop.r = FALSE, dnn= c('actual diagnosis', 'predicted diagnosis'))

非常感谢我在这里做错的任何帮助或潜在的事情

Answer 1

不要手动拆分数据，而是使用set.seed（用于训练和测试数据集的随机出现，这样您就可以获得完美的数据形状并进行训练。您所做的是完全错误的方法来训练机器学习模型方法。

set.seed(123)
wdbc = wdbc.split(splitratio = 0.7) #(here it is 70% of training data and 20% of test data)

Answer 2

还无法进入评论（需要50个声誉点），所以我将在此输入这一点。代码似乎是正确的，但准确性不是我认为的100％。在3例中，预测是B虽然诊断为M.您还使用ID作为预测器，同时培训您的模型，我也会删除。