我在尝试使用给定数据创建决策树，但不知为何 accuracy_score 返回了

ValueError: 发现输入变量的样本数量不一致:

当我将训练数据拆分为验证集（20%）和训练集（80%）时。

这是我拆分数据的方式:

from sklearn.utils import shufflefrom sklearn.model_selection import train_test_split# stDt 是打乱后的训练集stDt = shuffle(tDt) # 将打乱后的训练集拆分为训练集和验证集stDt, vtDt = train_test_split(stDt,train_size=0.8, shuffle=False)print(tDt.shape)print(stDt.shape)print(vtDt.shape)

这是我训练数据的方式:

# 训练集的属性和标签attributesT =  stDt.valueslabelsT = stDt.label# 训练决策树分类器from sklearn.tree import DecisionTreeClassifierdtree1 = DecisionTreeClassifier(min_samples_split = 1.0)dtree2 = DecisionTreeClassifier(min_samples_split = 3)dtree3 = DecisionTreeClassifier(min_samples_split = 5)fited1 = dtree1.fit(attributesT,labelsT)fited2 = dtree2.fit(attributesT,labelsT)fited3 = dtree3.fit(attributesT,labelsT)

这是测试和准确性评分部分:

from sklearn.metrics import accuracy_scoreret1 = fited1.predict(stDt)ret2 = fited2.predict(stDt)ret3 = fited3.predict(stDt)print(accuracy_score(vtDt.label,ret1))

回答：

您得到的错误是预期的，因为您试图将从训练集（ret1 = fited1.predict(stDt)）生成的预测与验证集的标签（vtDt.label）进行比较。

这是获取您的 fitted1 模型的训练和验证准确性的正确方法（其他模型类似）:

# 在训练集上的预测:ret1 = fitted1.predict(stDt)# 训练准确性:accuracy_score(stDt.label,ret1)# 在验证集上的预测:pred1 = fitted1.predict(vtDt)# 验证准确性:accuracy_score(vtDt.label,pred1)