通过 GridSearchCV 获取精确模型以进行召回优化

Question

给定一个名为“m”的机器学习模型 RBF SVC，我对 gamma 值执行了 gridSearchCV，以优化召回率。我想回答这个问题：“网格搜索应该找到最优化召回率的模型。这个模型的召回率比精度好多少？”

所以我做了 gridSearchCV：

grid_values = {'gamma': [0.001, 0.01, 0.05, 0.1, 1, 10, 100]}
grid_m_re = GridSearchCV(m, param_grid = grid_values, scoring = 'recall')
grid_m_re.fit(X_train, y_train)
y_decision_fn_scores_re = grid_m_re.decision_function(X_test) 

print('Grid best parameter (max. recall): ', grid_m_re.best_params_)
print('Grid best score (recall): ', grid_m_re.best_score_)

这告诉我最好的模型是 gamma=0.001，它的召回分数为 1。

我想知道如何获得此模型的精度以获取此模型的交易，因为 GridSearchCV 仅具有获取其优化目的的属性。( [Doc sklearn.GridSearchCV][1])

Answer 1

不确定是否有更简单/更直接的方法来实现这一点，但这种方法还允许您捕获“最佳”模型以供以后使用：

首先你的简历适合训练数据：

grid_m_re = GridSearchCV(m, param_grid = grid_values, scoring = 'recall')
grid_m_re.fit(X_train, y_train)

完成后，您可以拉出“最佳”模型（由CV 期间的评分标准确定），然后根据需要使用它：

m_best = grid_m_re.best_estimator_

在您的具体情况下：

from sklearn.metrics import precision_score

y_pred = m_best.predict(X_test)
precision_score(y_test, y_pred)