我已经花了30个小时在调试这个问题上，完全没有头绪，希望你们中的某个人能给我一个不同的视角。

问题是我在随机森林中使用训练数据框架时获得了98%-99%的良好准确率，但当我尝试加载新的样本进行预测时，模型总是猜测相同的类别。

#  打乱数据框架的记录。标签仍然附着df = df.sample(frac=1).reset_index(drop=True)#  提取标签并从数据中删除它们y = list(df['label'])X = df.drop(['label'], axis='columns')#  将数据拆分为训练和测试集X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=TEST_SIZE)#  构建模型model = RandomForestClassifier(n_estimators=N_ESTIMATORS, max_depth=MAX_DEPTH, random_state=RANDOM_STATE,oob_score=True)#  计算训练准确率in_sample_accuracy = model.fit(X_train, y_train).score(X_train, y_train)#  计算测试准确率test_accuracy = model.score(X_test, y_test)print()print('In Sample Accuracy: {:.2f}%'.format(model.oob_score_ * 100))print('Test Accuracy: {:.2f}%'.format(test_accuracy * 100))

我处理数据的方式是相同的，但当我对X_test或X_train进行预测时，我得到正常的98%准确率，而当我对新数据进行预测时，它总是猜测相同的类别。

    #  json文件格式不正确，此函数对其进行标准化    normalized_json = json_normalizer(json_file, "", training=False)    #  将json转换为包含特征的字典列表    features_dict = create_dict(normalized_json, label=None)    #  将字典转换为pandas数据框架    df = pd.DataFrame.from_records(features_dict)    print('Total amount of email samples: ', len(df))    print()    df = df.fillna(-1)    #  对字符串值进行独热编码    df = one_hot_encode(df, noOverride=True)    if 'label' in df.columns:        df = df.drop(['label'], axis='columns')    print(list(model.predict(df))[:100])    print(list(model.predict(X_train))[:100])

上面的测试场景中，你可以看到在最后两行中，我在X_train（用于训练模型的数据）和df（模型总是猜测类别0的样本外数据）上进行预测。

一些有用信息：

• 数据集不平衡；类别0约有150,000个样本，而类别1约有600,000个样本
• 有141个特征
• 更改n_estimators和max_depth并不能解决问题

任何想法都会有帮助，如果你需要更多信息请告诉我，我的脑子现在已经累坏了，这就是我能想到的全部了。

回答：

已解决，问题出在数据集的不平衡上，我也意识到改变深度会得到不同的结果。

例如，10棵树深度为3 -> 似乎工作正常10棵树深度为6 -> 又回到只猜测相同的类别