我是机器学习的新手，我刚刚完成了我的第一个方法（随机森林）。现在我想分析一下这种方法的准确程度。我使用的第一个性能指标是使用以下公式计算正确预测的数量：
accuracy = correct predictions / total predictions * 100
现在，我想预测一个值为1或0的变量。我的大部分预测属于1和0 (0.85, 0.45, 0.95 etc..)之间的范围，因此这些不被认为是正确的预测 - 使用上述公式得到0.42%的准确性。我知道我做的事情非常愚蠢和错误。我应该将预测值舍入到最接近的整数，然后计算指标吗？
此外，我运行了AUC测试，它导致了81%的准确性。
验证模型准确性的一个好方法是运行验证集方法（如您似乎正在做的那样）或交叉验证（K-Folds），更多内容如下：
https://en.wikipedia.org/wiki/Cross-validation_(statistics) https://en.wikipedia.org/wiki/Training,_test,_and_validation_sets
至于变量，这似乎是一个分类问题（您的输出变量可以是0或1）。
因此，一个好的方法是使用返回0或1（而不是中间的东西）的分类器。如果您将其设置为分类，则随机森林不应该给您这样的结果。
但是，您也可以根据需要设置不同值（0.5？0.8？）的阈值（您可以使用ROC曲线来帮助您确定最佳分类器）。
是的，对于accurcay，你应该在0.5的门槛。即任何> = 0.5的预测变为1，任何<0.5的预测变为0.当然，您也可以选择任何其他阈值。例如。这可能是numpy
class_predictions = np.where(prob_predictions >= 0.5, 1, 0)
这将返回整数1或0的数组。