威斯康星乳腺癌数据集Logistic Regression模型准确率极低排查求助

你的模型准确率仅2%，核心问题出在预测结果的映射逻辑上，以下是逐步排查和修正方案：

1. 修正预测类别映射（最关键错误） #

在R的glm二分类模型中，当因变量是因子类型时，默认将第一个因子水平（你设置的Benign）作为参考类别（对应概率0），第二个水平（Malignant）作为预测目标（对应概率1）。也就是说，predict(..., type='response')返回的是样本属于Malignant的概率，而非Benign。

你当前代码把概率≥0.5映射为Benign，完全搞反了类别，直接导致几乎所有预测错误。修正代码如下：

# 训练集预测修正
predicted_y_training <- ifelse(prob_y_train >= 0.5, "Malignant", "Benign")

# 测试集预测修正
predicted_y_test <- ifelse(prob_y_test >= 0.5, "Malignant", "Benign")

2. 验证数据预处理正确性 #

• 检查BareNuclei列：运行table(tumor_study$BareNuclei, useNA='always')，确认没有残留的?，且数值转换正常。
• 确认类别分布：运行table(tumor_study$Class)，该数据集良性样本占比约65%、恶性约35%，若比例异常，说明数据读取或清洗有误。
• 检查特征缩放：运行summary(training_set[,1:9])，确认缩放后特征均值接近0、标准差接近1，避免尺度差异影响模型收敛。

3. 检查模型训练状态 #

运行summary(classifier)查看模型输出：

• 确认无系数为NA（若存在，说明特征有完全共线性，需剔除冗余项）。
• 对比残差偏差与零偏差，判断模型是否具备拟合能力。
• 查看特征的p值，核心特征如Uniformity_CellSize、Uniformity_CellShape应具备显著统计意义（p值极低）。

4. 验证混淆矩阵与准确率计算 #

修正预测映射后，重新计算混淆矩阵并手动验证准确率：

accuracy <- sum(diag(cm_test))/sum(cm_test)
print(accuracy)

修正后准确率应能达到95%以上，接近官方给出的96%水平。

5. 确认数据集拆分合理性 #

sample.split默认采用分层抽样，确保训练/测试集的类别分布与原数据集一致。运行table(training_set$Class)和table(test_set$Class)验证比例是否匹配。

内容的提问来源于stack exchange，提问作者jojo