我的准确率是0.0，不知道为什么？

我得到的准确度为 0.0。我正在使用波士顿住房数据集。

这是我的代码：

import sklearn
from sklearn import datasets
from sklearn import svm, metrics
from sklearn import linear_model, preprocessing
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score
boston = datasets.load_boston()

x = boston.data
y = boston.target

train_data, test_data, train_label, test_label = sklearn.model_selection.train_test_split(x, y, test_size=0.2)

model = KNeighborsClassifier()

lab_enc = preprocessing.LabelEncoder()
train_label_encoded = lab_enc.fit_transform(train_label)
test_label_encoded = lab_enc.fit_transform(test_label)

model.fit(train_data, train_label_encoded)
predicted = model.predict(test_data)
accuracy = model.score(test_data, test_label_encoded)
print(accuracy)

如何提高该数据集的准确性？

波士顿数据集用于回归问题。定义在the docs https://scikit-learn.org/stable/modules/generated/sklearn.datasets.load_boston.html#sklearn-datasets-load-boston:

加载并返回波士顿房价数据集（回归）。

因此，如果您使用普通编码（例如标签不是来自连续数据的样本），则没有意义。例如，您将 12.3 和 12.4 编码为完全不同的标签，但它们彼此非常接近，如果分类器在真实目标为 12.3 时预测为 12.4，则您会错误地评估结果，但这不是二元情况。在分类中，预测是否正确，但在回归中，它以不同的方式计算，例如均方误差。

这部分不是必需的，但我想为您提供相同数据集和源代码的示例。通过将标签四舍五入到零（到最接近零的整数）的简单想法会给您一些直觉。

5.0-5.9 -> 5
6.0-6.9 -> 6
...
50.0-50.9 -> 50

让我们稍微改变一下你的代码。

import numpy as np

def encode_func(labels):
    return np.array([int(l) for l in labels])

...

train_label_encoded = encode_func(train_label)
test_label_encoded = encode_func(test_label)

产量将在10%左右。