当精度比召回重要得多时，如何调整模型以提高精度？

Question

机器学习分类器的性能可以通过各种指标来衡量，例如精度、召回率和分类准确度，以及其他指标。

给定这样的代码：

clf = svm.SVC(kernel='rbf')
clf.fit(X_train, y_train)

1. 拟合函数试图优化什么指标？

2. 当精度比召回重要得多时，如何调整模型以提高精度？

Answer 1

1. 据我所知，SVM 最大限度地减少了铰链损失。

2. 我不知道有任何通用方法可以使支持向量分类器优先考虑精度而不是召回率。与往常一样，您可以使用交叉验证，然后使用超参数来查看是否有帮助。或者，您可以训练一个输出 [0,1] 中的值的回归器，而不是分类器。然后，通过选择适当的阈值，将得分高于该阈值的所有示例放入类别“1”，您将得到一个具有可调阈值参数的分类器，您可以将其设置为任意高，以最大限度地提高召回率的精度。