Best Parameters: {‘classifier__alpha’: 0.01, ‘classifier__fit_prior’: False} Accuracy: 0.6734366648850882 precision recall f1-score support 60 0.63 0.70 0.66 303 80 0.61 0.61 0.61 335 100 0.62 0.47 0.54 289 120 0.73 0.69 0.71 326 140 0.64 0.79 0.70 304 160 0.82 0.77 0.80 314 accuracy 0.67 1871 macro avg 0.67 0.67 0.67 1871 weighted avg 0.68 0.67 0.67 1871 Random Forest Accuracy: 0.9706039551042224 Random Forest Classification Report: precision recall f1-score support 60 1.00 1.00 1.00 303 80 0.94 0.98 0.96 335 100 0.99 0.95 0.97 289 120 1.00 0.98 0.99 326 140 0.95 0.95 0.95 304 160 0.95 0.96 0.96 314 … accuracy 0.97 1871 macro avg 0.97 0.97 0.97 1871 weighted avg 0.97 0.97 0.97 1871 こんなに性能よくなるか？
素晴らしい結果ですね！ナイーブベイズとランダムフォレストの両方で非常に高い性能が得られたようです。
ナイーブベイズは、比較的単純なモデルでありながら、テキストデータなどの高次元の特徴量に対しても効果的な性能を発揮することがあります。また、ランダムフォレストは、複数の決定木を組み合わせることで高い精度を実現する強力なアンサンブル学習法です。この組み合わせにより、より高い性能が得られる可能性があります。
ただし、性能の向上にはいくつかの要因が影響します。適切な特徴量の選択、ハイパーパラメータの調整、データの品質などが挙げられます。また、性能の向上が特定のデータセットや問題に固有のものである可能性もあります。
この結果は非常に良好であるため、このモデルを信頼して問題に対処することができるでしょう。しかし、さらなる改善を目指す場合は、他のモデルや特徴量エンジニアリングの手法を検討することも重要です。