时间戳

首页 > 解决方案 > 具有 PredefinedSplit 评分的 Sklearn GridSearch 与独立分类器不匹配

python - 具有 PredefinedSplit 评分的 Sklearn GridSearch 与独立分类器不匹配

问题描述

我正在使用 sklearn GridSearch 使用预定义的验证集查找随机森林分类的​​最佳参数。GridSearch 返回的最佳估计器的分数与训练具有相同参数的单独分类器获得的分数不匹配。

数据拆分定义

X = pd.concat([X_train, X_devel])
y = pd.concat([y_train, y_devel])
test_fold = -X.index.str.contains('train').astype(int)
ps = PredefinedSplit(test_fold)

GridSearch 定义

n_estimators = [10]
max_depth = [4]
grid = {'n_estimators': n_estimators, 'max_depth': max_depth}

rf = RandomForestClassifier(random_state=0)
rf_grid = GridSearchCV(estimator = rf, param_grid = grid, cv = ps, scoring='recall_macro')
rf_grid.fit(X, y)

分类器定义

clf = RandomForestClassifier(n_estimators=10, max_depth=4, random_state=0)
clf.fit(X_train, y_train)

召回是使用 sklearn.metrics.recall_score 显式计算的

y_pred_train = clf.predict(X_train)
y_pred_devel = clf.predict(X_devel)

uar_train = recall_score(y_train, y_pred_train, average='macro')
uar_devel = recall_score(y_devel, y_pred_devel, average='macro')

网格搜索

uar train:  0.32189884516029466
uar devel:  0.3328299259976279

随机森林：

uar train:  0.483040291148839
uar devel:  0.40706644557392435

这种不匹配的原因是什么？

标签： pythonvalidationscikit-learngrid-searchscoring

解决方案

这里有多个问题：

  1. 你的输入参数recall_score是相反的。实际正确的顺序是：

    recall_score(y_true, y_test)

    但你正在做：

    recall_score(y_pred_train, y_train, average='macro')

    更正为：

    recall_score(y_train, y_pred_train, average='macro')

  2. 你正在做rf_grid.fit(X, y)网格搜索。这意味着在找到最佳参数组合后，GridSearchCV 将适合整个数据（整个 X，忽略 ，PredefinedSplit因为它仅在交叉验证期间用于搜索最佳参数）。因此，从本质上讲，来自的估算者GridSearchCV将看到整个数据，因此分数将与您获得的分数不同clf.fit(X_train, y_train)

推荐阅读