Gridsearch CV中的评分

问题描述

我刚刚开始使用Python中的GridSearchCV，但是我搞不清楚这里面到底有什么好处。我见过的某个地方

scorers = {
    'precision_score': make_scorer(precision_score),
    'recall_score': make_scorer(recall_score),
    'accuracy_score': make_scorer(accuracy_score)
}

grid_search = GridSearchCV(clf, param_grid, scoring=scorers, refit=refit_score,
                       cv=skf, return_train_score=True, n_jobs=-1)

使用这些值的目的是什么，即评分中的精度、召回率、准确性？

网格搜索是否使用这一点来根据这些评分值为我们提供优化的参数.比如为了获得最佳精度分数，它会找到最佳参数或类似的东西？

它计算可能的参数的精确度、召回率、准确度，并给出结果，现在的问题是如果这是真的，那么它是根据精确度、召回率还是准确率来选择最佳参数？上面的陈述是真的吗？

推荐答案

您的假设基本上是正确的。此参数字典允许网格搜索跨每个评分度量进行优化，并查找每个评分的最佳参数。

但是，如果不选择用于refit的分数，您就无法让网格搜索自动匹配并返回best_estimator_，而是会抛出以下错误：

ValueError: For multi-metric scoring, the parameter refit must be set to a scorer
key to refit an estimator with the best parameter setting on the whole data and make
the best_* attributes available for that metric. If this is not needed, refit should
be set to False explicitly. True was passed.

这篇关于Gridsearch CV中的评分的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持！