如何提高logistic回归模型的准确性和精度？

Question

我的机器学习模型数据集是cleaveland数据库，有300行和14个属性--预测一个人是否患有心脏病。但目的是建立一个logistic回归的分类模型。我对数据进行了预处理，并使用x_train、Y_train、X_test、Y_test运行了模型。得到了82 %的准确率。

因此，为了提高准确性，我确实删除了彼此高度相关的特性，因为它们提供了相同的信息。

我做了RFErecursive功能消除

然后采用PCAprinciple分量分析法进行降维。

尽管如此，我仍然没有发现数据集的准确性更高。

为什么会这样呢？

另外，为什么我的模型每次显示不同的准确性？是因为每次服用不同的x_train、Y_train、X_test、Y_test吗？

我应该改变我的模型以获得更高的精确度吗？80 %的平均准确度是好还是坏？

Answer 1

尝试用尽网格搜索或随机参数优化，以调整您的超参数。

请参阅：使用sklearn进行超参数优化的文档

Answer 2

请参见(https://github.com/dnishimoto/python-deep-learning/blob/master/Credit%20Card%20Defaults%20-%20hyperparameter.ipynb)，以提高精度，您可以进行超调和降维和缩放。超调是寻找最佳的参数。而降维是去除那些不有助于精确降噪的特征。缩放或正规化降低了分布中的噪音。

查看GridSearch以找到最佳参数