我正在使用Python的逻辑回归来预测二元结果，我的分类报告显示我的模型在目标变量为0时的精度为0%。在目标变量为1时，精度为87%。

from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report from sklearn.metrics import confusion_matrixX=df[['RegDec', 'SchoolDiv', 'SEX', 'Honor', 'TestOptional', 'TERRITORY', 'AcadamicIndex',     'INSTAward','NEED', 'TOTAWD', 'ETHN3', 'IR_Total', 'pell']]y= df ['Retained']X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)logmodel = LogisticRegression()logmodel.fit(X_train,y_train) predictions=logmodel.predict (X_test)print (classification_report(y_test,predictions)) 

为什么我的精度在’0’时为0？这是输出结果：

 precision    recall  f1-score   support           0       0.00      0.00      0.00        92           1       0.87      1.00      0.93       614    accuracy                           0.87       706   macro avg       0.43      0.50      0.47       706weighted avg       0.76      0.87      0.81       706

confusion_matrix (y_test, predictions) # 不预测0array([[  0,  92],       [  0, 614]], dtype=int64)

我想知道是否有错误影响了我的结果。

回答：

您的混淆矩阵：

[  0,  92][  0, 614]

告诉您在测试集中有92个类别0的元素和614个类别1的元素。

看起来无论您向分类器输入什么数据，它都只会输出1。

在没有看到您的数据的情况下，我们只能猜测问题出在哪里…

要么您的数据不包含足够的信息来预测标签，您的分类器只是“猜测”最常见的类别。要么您有太多类别1的数据而类别0的数据太少，以至于准确率在总是猜测1时会更好，而不是试图正确分类。

您可以尝试做以下几件事：

1.) 您可以尝试从数据中删除一些类别1的元素，以便训练集中类别1和类别0的数据行数量相同。（或者从其他地方获取更多类别0的数据）

2.) 对于您的数据，可能其他分类器比逻辑回归更适合，您可以尝试决策树/SVM/Adaboost/…等，看看结果如何。

3.) 如果这是现实生活中的问题，您可以尝试获取更多更好的数据，也许通过更好的传感器，从不同来源或通过特征工程。