Class 与散点图可视化分离
Class separation from scatterplot visualisation
以上是我使用
后得到的图像
plt.scatter(x[feature1],x[classes],c=x[classes])
现在，在我（新手）看来 类 被这个 feature1 很好地分开了。
在应用 RF 分类器时，我得到大约 55% 的准确度，注意到总 类 是 7，因此预测准确度高于随机基线，但我很困惑是否存在如此明显的分离（据说）那么为什么结果不相似？
Now, it appears to me (novice) that the classes are well separated by this feature1.
是吗？让我们根据您的情节尝试定性地看...
为了实现良好的分离，我们应该class在给定特征中不重叠（或重叠最少）。似乎表现出这种特征的唯一 classes 是 classes 4 和 5，它们在 2500 附近有相对较小的重叠。
让我们取值2750；根据您的情节，相应的样本可以是 class 1、2、3、5 或 6。
再往高一点，3000左右；这里的各个样本可以是 class 1、2、5 或 7。
向下移动，大约 2500（classes 4 和 5 的重叠区域），似乎样本可以是除 class 7.
之外的任何东西
唯一明确的分隔似乎是大于 3750 (class 7) 的值。即使是特征的最低值（< 2000）也在 classes 3 和 6 之间共享。
从大局来看，它看起来 feature1 本身并不能在您的 7 class 之间提供任何特殊的分离；除了其最小值和最大值周围的区域外，所有其他范围至少由 3-4 classes...
共享
以上是我使用
后得到的图像plt.scatter(x[feature1],x[classes],c=x[classes])
现在，在我（新手）看来 类 被这个 feature1 很好地分开了。
在应用 RF 分类器时，我得到大约 55% 的准确度，注意到总 类 是 7，因此预测准确度高于随机基线，但我很困惑是否存在如此明显的分离（据说）那么为什么结果不相似？
Now, it appears to me (novice) that the classes are well separated by this
feature1.
是吗？让我们根据您的情节尝试定性地看...
为了实现良好的分离，我们应该class在给定特征中不重叠（或重叠最少）。似乎表现出这种特征的唯一 classes 是 classes 4 和 5，它们在 2500 附近有相对较小的重叠。
让我们取值2750；根据您的情节，相应的样本可以是 class 1、2、3、5 或 6。
再往高一点，3000左右；这里的各个样本可以是 class 1、2、5 或 7。
向下移动，大约 2500（classes 4 和 5 的重叠区域），似乎样本可以是除 class 7.
之外的任何东西唯一明确的分隔似乎是大于 3750 (class 7) 的值。即使是特征的最低值（< 2000）也在 classes 3 和 6 之间共享。
从大局来看，它看起来 feature1 本身并不能在您的 7 class 之间提供任何特殊的分离；除了其最小值和最大值周围的区域外，所有其他范围至少由 3-4 classes...