Как я могу увеличить показатель точности MultinomialNB() с помощью sklearn и визуализировать результат на графике с помощью matplotlib?

Я работаю над набором данных, который выглядит следующим образом:

Затем я построил несколько кривых обучения, которые выглядят следующим образом: и этот < img src="https://i.stack.imgur.com/E1miw.png" alt="this one"> но, что наиболее важно, моя модель дает значение для R-квадрата: 0,557 и Adj. R-квадрат: 0,543, что, я полагаю, не очень хорошо.

Вот моя матрица путаницы
Я хочу, чтобы значения r в квадрате и adj r в квадрате были где-то около 1, но я не понимаю, как я могу сделать это эффективно, поскольку я новичок в этой области и раньше не работал с каким-либо набором данных, который содержит все категориальные переменные и не содержит значений, пожалуйста, помогите мне с этим, чтобы сделать мою модель лучше, используя алгоритм наивного Байеса, а также, если вы обнаружите какую-либо ошибку в моей модели, пожалуйста, дайте мне знать и помогите и Также, пожалуйста, помогите мне, предоставив ресурсы и учебные пособия + примеры кода для построения графика визуализации данных из моей модели. Вот мой код для этого проекта:

# Importing the libraries
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd 

#Importing the dataset
dataset = pd.read_csv('RiskFactor.csv')
X =  dataset.iloc[:, :-1].values
y = dataset.iloc[:, 11].values
#dummy_x = dataset.iloc[:, [0,6,7,8]].values

from sklearn.preprocessing import LabelEncoder,OneHotEncoder

label_x = LabelEncoder()
X[:,0] = label_x.fit_transform(X[:,0] ) #Menarche start early

label_x = LabelEncoder()
X[:,1] = label_x.fit_transform(X[:,1] )

label_x = LabelEncoder()
X[:,2] = label_x.fit_transform(X[:,2] )

label_x = LabelEncoder()
X[:,3] = label_x.fit_transform(X[:,3] )

label_x = LabelEncoder()
X[:,4] = label_x.fit_transform(X[:,4] ) 
label_x = LabelEncoder()
X[:,5] = label_x.fit_transform(X[:,5] )

label_x = LabelEncoder()
X[:,6] = label_x.fit_transform(X[:,6] ) #Education

label_x = LabelEncoder()
X[:,7] = label_x.fit_transform(X[:,7] ) #Age of Husband

label_x = LabelEncoder()
X[:,8] = label_x.fit_transform(X[:,8] ) #Menopause End age?

label_x = LabelEncoder()
X[:,9] = label_x.fit_transform(X[:,9] )


label_x = LabelEncoder()
X[:,10] = label_x.fit_transform(X[:,10] )

onehotencoder = OneHotEncoder(categorical_features = "all")
X = onehotencoder.fit_transform(X).toarray()


#avoiding dummy variable trap by removing extra columns 

X = X[: ,[1,2,3,4,5,6,7,8,9,10,11,12,14,15,17,18,20,21,22,23,24,25,26]]


# Encoding the Dependent Variable

labelencoder_y = LabelEncoder()
y = labelencoder_y.fit_transform(y)

# Splitting the dataset into the Training set and Test set
from sklearn.cross_validation import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size =0.25,
random_state = 18)

from sklearn.naive_bayes import GaussianNB,BernoulliNB,MultinomialNB

classifier = MultinomialNB()
classifier.fit(X_train, y_train)

print(classifier)

y_expect = y_test



#predicting the test set result

y_pred = classifier.predict(X_test)

#Making the Confusion Matrix

from sklearn.metrics import confusion_matrix,accuracy_score

cm = confusion_matrix (y_test, y_pred)


print(accuracy_score(y_expect,y_pred))


# finding P value from statsmodels

import statsmodels.formula.api as sm

regressor_OLS = sm.OLS(endog=y,exog = X).fit()

regressor_OLS.summary()

from sklearn.model_selection import learning_curve
from sklearn.model_selection import ShuffleSplit


def plot_learning_curve(estimator, title, X, y, ylim=None, cv=None,
                    n_jobs=1, train_sizes=np.linspace(.1, 1.0, 5)):
"""
Generate a simple plot of the test and training learning curve.

Parameters
----------
estimator : object type that implements the "fit" and "predict" methods
    An object of that type which is cloned for each validation.

title : string
    Title for the chart.

X : array-like, shape (n_samples, n_features)
    Training vector, where n_samples is the number of samples and
    n_features is the number of features.

y : array-like, shape (n_samples) or (n_samples, n_features), optional
    Target relative to X for classification or regression;
    None for unsupervised learning.

ylim : tuple, shape (ymin, ymax), optional
    Defines minimum and maximum yvalues plotted.

cv : int, cross-validation generator or an iterable, optional
    Determines the cross-validation splitting strategy.
    Possible inputs for cv are:
      - None, to use the default 3-fold cross-validation,
      - integer, to specify the number of folds.
      - An object to be used as a cross-validation generator.
      - An iterable yielding train/test splits.

    For integer/None inputs, if ``y`` is binary or multiclass,
    :param train_sizes:
    :class:`StratifiedKFold` used. If the estimator is not a classifier
    or if ``y`` is neither binary nor multiclass, :class:`KFold` is used.

    Refer :ref:`User Guide <cross_validation>` for the various
    cross-validators that can be used here.

 n_jobs : integer, optional
    Number of jobs to run in parallel (default 1).
"""
plt.figure()
plt.title(title)
if ylim is not None:
    plt.ylim(*ylim)
plt.xlabel("Training examples")
plt.ylabel("Score")
train_sizes, train_scores, test_scores = learning_curve(
    estimator, X, y, cv=cv, n_jobs=n_jobs, train_sizes=train_sizes)
train_scores_mean = np.mean(train_scores, axis=1)
train_scores_std = np.std(train_scores, axis=1)
test_scores_mean = np.mean(test_scores, axis=1)
test_scores_std = np.std(test_scores, axis=1)
plt.grid()

plt.fill_between(train_sizes, train_scores_mean - train_scores_std,
                 train_scores_mean + train_scores_std, alpha=0.1,
                 color="r")
plt.fill_between(train_sizes, test_scores_mean - test_scores_std,
                 test_scores_mean + test_scores_std, alpha=0.1, color="g")
plt.plot(train_sizes, train_scores_mean, 'o-', color="r",
         label="Training score")
plt.plot(train_sizes, test_scores_mean, 'o-', color="g",
         label="Cross-validation score")

plt.legend(loc="best")
return plt



estimator = MultinomialNB()


title = "Learning Curves (Naive Bayes classifier ALGORITHM)"
# Cross validation with 100 iterations to get smoother mean test and train
# score curves, each time with 20% data randomly selected as a validation    

#set.
cv = ShuffleSplit(n_splits=100, test_size=0.25, random_state=17)

#cv = None
plot_learning_curve(estimator, title, X, y, ylim=(0.7, 1.01), cv=cv,    
n_jobs=1)

plt.show()