【发布时间】：2016-11-07 05:49:15
【问题描述】：
【问题讨论】：
标签： python numpy svm miniconda
【发布时间】：2016-11-07 05:49:15
【问题描述】：
结果很简单。您正在查看您的训练集的准确性，并且您正在使用带有 rbf 内核的 SVM，它可以过度拟合任何数据集，而且它做得非常完美 - 它只是记住了您的所有训练点，从而产生了完美的对训练点的预测。这不是您应该进行评估的方式，您需要训练测试拆分（对于这种规模的问题 - 其中很多，可能通过交叉验证得到加强）。
【讨论】：
-
感谢您的 cmets 的队友 ...@lejlot .. 请您理解我的代码....
-
我不明白你的评论
-
亲爱的朋友，我想了解基于我的代码的精度、召回率、f1 分数和支持...感谢您的回复@lejjot
-
正如答案中所说，您需要拆分数据，可能以交叉验证方式并在测试集（未用于训练的数据）上报告这些度量。你的其他方法都很好
-
亲爱的 lejjot，请你给我一个关于这个代码的交叉验证示例代码......我需要为我的论文做这个......