为何使用y与y.values时DecisionTreeClassifier准确率差异巨大？

问题场景 #

在使用DecisionTreeClassifier训练模型时，出现了两种标签输入方式下准确率差异巨大的情况：

• 使用原始DataFrame列作为标签，测试集准确率达100%
• 将标签转为一维数组（y.values）后，测试集准确率降至75%

准确率100%的训练代码 #

X = new_df.drop('salary_more_then_100k', axis='columns')
y = new_df.salary_more_then_100k
X_train, X_test, y_train, y_test = train_test_split(X, y)
Tree = DecisionTreeClassifier()
Tree.fit(X_train,y_train)

准确率75%的训练代码 #

X_train, X_test, y_train, y_test = train_test_split(X, y.values)

核心原因 #

问题的根源在于train_test_split的拆分逻辑：

• 当传入X（DataFrame）和y（Series）时，两者带有一致的索引，train_test_split会基于索引同步打乱并拆分，保证每一条特征都对应正确的标签，模型训练和测试的数据匹配度完全没问题，因此能达到正常的准确率。
• 而y.values是剥离了索引的一维numpy数组，此时train_test_split会把X和y.values视为两个独立的数据集，分别进行随机拆分——这直接破坏了特征与标签的对应关系，训练时用的特征和标签可能完全不匹配，测试时自然无法正确预测，准确率也就大幅下降。

内容的提问来源于stack exchange，提问作者Ayandip Pal