两种不同方法计算召回率和精度的不同结果

Question

根据下面的代码，我正在计算特定分类器的召回率和准确率分数

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')

那么结果就是

(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_)

然后我会得到以下 table

您可以看到平均召回率和准确率得分与上一步计算的得分有很大不同，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

Answer 1

嗯，指标是根据不同的事物计算的。

precision_recall_fscore_support(y_test, pred)

显示测试数据的指标值。

但是，当您使用 GridSearchCV 时，训练数据会按照定义的 cv 分为训练和测试，并在此测试数据上计算指标，这是训练数据的子集。然后对指标进行平均。

两种不同方法计算召回率和精度的不同结果

different results in calculating recall and precision from two different methods

python

classification

machine-learning

precision-recall

grid-search