KNN模型蘑菇分类任务始终输出100%准确率问题求助

核心问题：数据预处理与拆分的逻辑不匹配 #

你的代码存在明显的变量混用错误，导致模型训练和测试用的并非经过完整预处理的数据：

• 预处理阶段生成了经过缺失值填充、有序编码的df_enc，但最终独热编码用的是原始df，而非处理后的df_enc
• 拆分训练测试集时，X和y直接取自未完成预处理的原始df，这会导致数据逻辑混乱，甚至特征中可能隐含标签信息，让模型实现“完美预测”

修正后的预处理与数据拆分代码 #

统一基于处理后的数据集完成全流程操作：

# 填充缺失值（注意提取众数的具体值，避免Series类型）
mode = df['Stalk Root'].mode()[0]
df_enc = df.replace('?', mode)

# 有序特征编码
df_enc['Ring Number'] = df_enc['Ring Number'].replace({'n': 0, 'o': 1, 't': 2}).astype(int)
df_enc['Gill Spacing'] = df_enc['Gill Spacing'].replace({'c': 0, 'w': 1, 'd': 2}).astype(int)

# 标签转为数值型
df_enc['Poisonous'] = (df_enc['Poisonous'] == 'p').astype(int)

# 对剩余分类特征做独热编码
df_enc = pd.get_dummies(df_enc)

# 拆分特征与标签（用drop方法更安全，避免索引错误）
y = df_enc['Poisonous']
X = df_enc.drop('Poisonous', axis=1)

# 拆分训练测试集，建议设置random_state保证可复现
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, shuffle=True, random_state=42)

额外检查要点 #

• 避免数据泄露：所有预处理统计量（如缺失值填充的众数）必须基于训练集计算，再用该统计量处理测试集。如果用全数据集的统计量填充，会导致测试集信息提前泄露，影响模型泛化性。
• 特征-标签相关性验证：用df_enc.corr()['Poisonous'].abs().sort_values(ascending=False)查看特征与标签的相关度，确认没有特征直接等同于标签（比如编码错误导致的映射）。
• 数据类型校验：用X_train.dtypes检查所有特征是否为数值型，确保无残留字符串特征干扰模型。

验证修正效果 #

修正后重新训练模型，正常情况下KNN的测试准确率会落在95%-99%区间，不会出现100%的完美结果：

from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score, confusion_matrix

model = KNeighborsClassifier(n_neighbors=5)
model.fit(X_train, y_train)
y_preds = model.predict(X_test)
print(f"准确率: {accuracy_score(y_test, y_preds)}")
print(confusion_matrix(y_test, y_preds))

内容的提问来源于stack exchange，提问作者Georgia Anderson