Python: 在 GridSearchCV 中得分 = 'recall'
Python: scoring = 'recall' in GridSearchCV
我有一个二元分类问题:
我尝试通过
为我的模型找到最佳参数
grid = {'penalty': ['l1', 'l2'],'C':[0.001,.009,0.01,.09,1,5,10,25]}
logreg =GridSearchCV(LogisticRegression(),grid,cv=5,scoring = 'recall')
logreg.fit(X, Y)
Y_Pred = logreg.predict(X)
我想知道参数scoring = 'recall'
到底是什么。当我添加它时,它改进了很多我的模型。
评分基本上是评估模型的方式。 Scikit 支持很多,你可以看到完整的可用记分器here。
召回率高意味着您的模型具有较高的真阳性和较少的假阴性。这意味着有更多的实际正值被预测为真,而更少的实际正值被预测为假。您可能还想阅读有关 confusion matrix.
的更多信息
至于你应该使用什么样的评分,这取决于你试图用你的模型实现什么。
我有一个二元分类问题:
我尝试通过
为我的模型找到最佳参数grid = {'penalty': ['l1', 'l2'],'C':[0.001,.009,0.01,.09,1,5,10,25]}
logreg =GridSearchCV(LogisticRegression(),grid,cv=5,scoring = 'recall')
logreg.fit(X, Y)
Y_Pred = logreg.predict(X)
我想知道参数scoring = 'recall'
到底是什么。当我添加它时,它改进了很多我的模型。
评分基本上是评估模型的方式。 Scikit 支持很多,你可以看到完整的可用记分器here。
召回率高意味着您的模型具有较高的真阳性和较少的假阴性。这意味着有更多的实际正值被预测为真,而更少的实际正值被预测为假。您可能还想阅读有关 confusion matrix.
的更多信息至于你应该使用什么样的评分,这取决于你试图用你的模型实现什么。