我正在尝试使用sklearn库在python 3中构建逻辑回归模型。

让我们坚持下面的短版本，

dv - 因变量

idv - 自变量

现在我有idv1，idv2，idv3，idv4，idv5，idv6，idv7，idv8和idv9。

其中idv6到idv9是分类变量（idv6和idv7有3个类别..其中idv8和idv9是布尔变量..是或没有变量[0或1]）

而且dv又是一个布尔变量（是或否是一种变量）。

现在，我为最终模型数据创建了idv6到idv9的假人...即idv6_c1，idv6_c2，idv_c3，其余类似于idv8_c1，idv8_c2，用于idv8和idv9。

现在，在拟合模型并找到预测值的度量之后......

我正在让我们说accuracy_score的76.7415479670124％和 precision_score的76.7415479670124％

我使用sklearn.metrics.accuracy_score和sklearn.metrics.precision_score库进行了计算。

解决办法：精度定义为相关的检索结果的分数，由下式给出：（tp / tp + fp），而精度是正确预测与输入样本总数的比率。

虽然不太可能，但是当真正的负数和假阴性的数量都为零时，精度等于精度可能会发生。也就是说，系统不会将任何样本归类为否定。

然而，你的问题可能与这里提到的微观平均有关

我想知道..这是正确的还是我错