时间戳

首页 > 解决方案 > 从两种不同的方法计算召回率和准确率的不同结果

python - 从两种不同的方法计算召回率和准确率的不同结果

问题描述

根据下面的代码，我正在计算特定分类器的召回率和精度分数

clf = GradientBoostingClassifier(n_estimators=20)
clf.fit(X_train,y_train)
pred=clf.predict(X_test)
precision_recall_fscore_support(y_test, pred, average='micro' or, 'weighted', or, 'macro', or 'none')

那么结果将是

(0.8861803737814977, 0.8714028776978417, 0.8736586610015085, None)
(0.8714028776978417, 0.8714028776978417, 0.8714028776978417, None)
(0.8576684989847967, 0.883843537414966, 0.8649539913120651, None)

(array([0.95433071, 0.76100629]),
 array([0.84166667, 0.92602041]),
array([0.89446494, 0.83544304]),
array([720, 392]))

但是如果我通过使用来计算它们

clf = GradientBoostingClassifier()
skf = StratifiedKFold(n_splits=10)
param_grid = {'n_estimators':range(20,23)}

grid_search = GridSearchCV(clf, param_grid, scoring=scorers, refit=recall_score,

                       cv=skf, return_train_score=True, n_jobs=-1)
results = pd.DataFrame(grid_search_clf.cv_results_)

然后我会得到下 表

您可以看到平均召回率和准确率分数与上一步计算的非常不同，而具有相同参数的相同数据已应用于两者。我想知道是否有人可以帮助我我做错了什么

标签： pythonmachine-learningclassificationgrid-searchprecision-recall

解决方案

好吧，这些指标是根据不同的事物计算的。

precision_recall_fscore_support(y_test, pred)

显示测试数据的度量值。

但是，当您使用 GridSearchCV 时，训练数据会按照定义的 cv 拆分为训练和测试，并在此测试数据（训练数据的子集）上计算指标。然后这些指标在折叠上进行平均。

推荐阅读