使用准确性以外的指标进行 OOB 评估，例如 F1 或 AUC
OOB evaluation with metrics other than accuracy, e.g., F1 or AUC
我正在不平衡数据集上训练随机森林，准确率无法提供信息。我想避免交叉验证，而是使用袋外 (OOB) 评估。是否有可能在 sklearn 中（或通常在 python 中）评估袋外（OOB）F1 或 AUC 而不是 OOB 准确性？
我在这些页面上找不到执行此操作的方法：
https://scikit-learn.org/stable/auto_examples/ensemble/plot_ensemble_oob.html#sphx-glr-auto-examples-ensemble-plot-ensemble-oob-py
https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html
或者我应该只为 oob_decision_function_ 中的平均预测（或分类的多数投票）计算 f1 和 AUC？
从the source可以看出，准确度计算是hard-coded，所以你不能通过设置一些参数来得到另一个分数。
但是，正如您所说，oob 预测是可用的，因此自己进行最终计算并不困难。
我正在不平衡数据集上训练随机森林，准确率无法提供信息。我想避免交叉验证，而是使用袋外 (OOB) 评估。是否有可能在 sklearn 中（或通常在 python 中）评估袋外（OOB）F1 或 AUC 而不是 OOB 准确性？
我在这些页面上找不到执行此操作的方法：
https://scikit-learn.org/stable/auto_examples/ensemble/plot_ensemble_oob.html#sphx-glr-auto-examples-ensemble-plot-ensemble-oob-py https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html
或者我应该只为 oob_decision_function_ 中的平均预测（或分类的多数投票）计算 f1 和 AUC？
从the source可以看出，准确度计算是hard-coded，所以你不能通过设置一些参数来得到另一个分数。
但是，正如您所说，oob 预测是可用的，因此自己进行最终计算并不困难。