在Logistic回归模型中，低准确度得分的原因可能是什么？

Question

我正在建立一个基于银行违约分类的ML项目，获得56%的低精度分数和61%的精度。我知道这一点还可以进一步改进。请告诉我一些能提高分数的因素。

数据是关于贷款偿还，我不得不将客户归类为拖欠或非Defaulters.My的列车测试比率为70%:30%。

‘X=loan.drop("loan_status"，axis=1) Y=loan“loan_status”Xtrain,Xtest,Ytrain,Ytest=train_test_split(X,Y,test_size=0.30,random_state=6) loan_model=LogisticRegression() Prediction=loan_model.predict(Xtest)分类报告:精确召回F1-分数支持

       0       0.41      0.22      0.29        59
       1       0.61      0.79      0.69        91

微观avg 0.57 0.57 0.57 150宏avg 0.51 0.51 0.49 150加权avg 0.53 0.53 0.53 150混淆矩阵：[1346]准确度评分:准确性评分为: 0.5666666666666667

Answer 1

在没有看到您的数据或代码的情况下，我们只能向您提供关于提高您的准确性的一般建议。以下是我脑海中想到的两个主要问题，

1-低精度的分类意味着您的类是，不能很好地与当前的特性分离。解决这个问题的方法是找到更多(更好)的特性。

2-如果你有足够的观察，尝试使用更复杂的决策边界的模型，例如SVM或具有深层和神经元的神经网络。