多评分输入 RandomizedSearchCV
Multi-scoring input RandomizedSearchCV
我知道你可以在执行 RandomizedSearchCV
时输入多个得分手,但我找不到哪个将用于优化。
scoring = {'Log loss': 'neg_log_loss', 'AUC': 'roc_auc', 'F1': 'f1', 'Bal Acc': 'balanced_accuracy'}
search_RF = RandomizedSearchCV(RF_model, parameters_RF, scoring = scoring,
n_jobs = -1, cv = cv_RSKFCV, n_iter = 200,
random_state = 2504).fit(X_train, y_train)
在上面的例子中,它会优化'neg_log_loss'
吗?
它优化了所有这些,一次只考虑一个。
您可以在 search_RF.cv_results_
.
中查看所有结果
您还应该使用 refit
参数,而不是将其保留为默认值,因为如果您尝试 运行 search_RF.best_estimator_
.
则会出现错误
点击以下链接了解更多详情:
https://scikit-learn.org/stable/modules/grid_search.html#multimetric-grid-search
我知道你可以在执行 RandomizedSearchCV
时输入多个得分手,但我找不到哪个将用于优化。
scoring = {'Log loss': 'neg_log_loss', 'AUC': 'roc_auc', 'F1': 'f1', 'Bal Acc': 'balanced_accuracy'}
search_RF = RandomizedSearchCV(RF_model, parameters_RF, scoring = scoring,
n_jobs = -1, cv = cv_RSKFCV, n_iter = 200,
random_state = 2504).fit(X_train, y_train)
在上面的例子中,它会优化'neg_log_loss'
吗?
它优化了所有这些,一次只考虑一个。
您可以在 search_RF.cv_results_
.
您还应该使用 refit
参数,而不是将其保留为默认值,因为如果您尝试 运行 search_RF.best_estimator_
.
点击以下链接了解更多详情:
https://scikit-learn.org/stable/modules/grid_search.html#multimetric-grid-search