通过GridSearchCV获取精确模型以进行召回优化-Java 学习之路

给定一个称为“m”的机器学习模型RBF SVC，我对gamma值执行了gridSearchCV，以优化召回 . 我想回答这个问题：“网格搜索应该找到最能优化回忆的模型 . 这个模型的召回比精度更好？”

所以我做了gridSearchCV：

grid_values = {'gamma': [0.001, 0.01, 0.05, 0.1, 1, 10, 100]}
grid_m_re = GridSearchCV(m, param_grid = grid_values, scoring = 'recall')
grid_m_re.fit(X_train, y_train)
y_decision_fn_scores_re = grid_m_re.decision_function(X_test) 

print('Grid best parameter (max. recall): ', grid_m_re.best_params_)
print('Grid best score (recall): ', grid_m_re.best_score_)

这告诉我最好的模型是γ= 0.001并且召回得分为1 .

我想知道如何获得这个模型的精度来获得这个模型的交易，因为GridSearchCV只有属性来获得它的优化 . （ [Doc sklearn.GridSearchCV][1] ）

2 回答

1
不确定是否有更简单/更直接的方法来获得这个，但这种方法还允许您捕获“最佳”模型以便以后使用：

首先，你是否适合训练数据：
```
grid_m_re = GridSearchCV(m, param_grid = grid_values, scoring = 'recall')
grid_m_re.fit(X_train, y_train)
```
一旦你__604401_最好'模型（由你在CV期间的 scoring 标准确定），然后使用它你想要：
```
m_best = grid_m_re.best_estimator_
```
在您的具体情况下：
```
from sklearn.metrics import precision_score

y_pred = m_best.predict(X_test)
precision_score(y_test, y_pred)
```
回复于 2024-04-16T18:39:02+08:00
0
如果不同时优化C和gamma，则可以轻松过度配合 .

如果您在X轴上绘制带有C的SVC，在y轴上绘制伽马并将其调用为颜色you get some kind of V-Shape, see here

因此，如果您进行网格搜索，则可以同时更好地优化C和gamma .

问题是通常你会得到小C值的最佳结果，并且在那个区域V形有它的尖端：不是很大而且难以击中 .

我最近用过：
```
make a random grid of 10 points
      every point contains C, gamma, direction, speed
cut the dataset with stratifiedShuffleSplit
fit & estimate score with cross validation 

repeat:
  kill the worst two points
  the best two points spawn a kid
  move every point in its direction with just a little bit of random, 
  fit & estimate score with cross validation 
     (if a point notice it goes downward, turn around and half speed)
  until break criterion is hit
```
工作就像一个魅力 .

我使用特征空间中的最大距离除以4作为初始速度，方向具有pi / 4的最大随机值

嗯，交叉验证有点贵 .

Cleptocreatively inspired by this paper.

...和另一个编辑：

我在循环中使用10到20个循环来获得完美的点 . 如果您的数据集太大而无法进行多次拟合，请为前几次培训制作代表性子集...
回复于 2024-04-16T18:39:02+08:00

通过GridSearchCV获取精确模型以进行召回优化

2 回答

相关问题