我正在使用SciKit构建一个简单的垃圾邮件过滤器，但我对结果有点不确定。我有一个包含约5000行数据的数据集，最后一列是一个布尔值，用于指定电子邮件是垃圾邮件还是正常邮件，其他列包含如连续大写字母序列的平均长度等数据。
在我的代码中，我有以下内容：
X = dataset[:,:57] # 前57列，不包括答案列Y = dataset[:,-1] # 最后一列包含垃圾邮件/正常邮件的布尔值xTrain, xTest, yTrain, yTest = train_test_split(X, Y)bNB = BernoulliNB(binarize = True)bNB.fit(xTrain, yTrain)yPred = bNB.predict(xTest)score = accuracy_score(yExpect, yPred)print("result: ", score)我将数据集的列切割，以便X包含前57列，Y包含最后一列的垃圾邮件/正常邮件值。
然后，我对X和Y运行train_test_split，生成xTrain、xTest、yTrain和yTest值。
我的准确率相当低，如何提高准确率？我有两个观察：
如果我将test_sample大小（teast_train_split默认值为0.25，即数据集的25%）减小到0.01，准确率会增加到99%甚至100%。
当我包含包含垃圾邮件/正常邮件布尔值的最后一行时，准确率也会增加到99%或100%。不过，我觉得这不是正确的做法，关键是不应该在训练数据中使用结果，对吗？
我的问题是为什么。能有人解释我观察到的这两个现象的原因吗？以及它们是否“正确”，即在数据集中包含布尔结果是否作弊，或者使用非常小的测试大小是否作弊？
回答：
简短回答：是的，包含布尔结果是“作弊”。
你所做的基本上是试图构建一个模型，该模型应该从它所属的一组变量中预测一个变量。模型会很容易发现它们是相同的。更麻烦的是，如果你把自己放在一个新邮件到来的情况下，你没有那个布尔结果来尝试预测它是否是垃圾邮件，你的模型将变得毫无用处。
关于你的另一个观点，是的，减少测试集大小是不相关的。它在统计上不那么相关。然而，你可以进行留一法交叉验证，看看是否实际上是你的模型需要更多数据，但我对此表示怀疑。
