Question

我正在使用python sk-learn库进行分类。我正在使用交叉验证来查找分类算法的有效性。我想计算准确度，精度，召回率，F1度量。目前我正在使用以下代码。

           dt  =  DecisionTreeClassifier(max_depth=dt_est)
           dt_acc = cross_validation.cross_val_score(dt,x_data_tfidf.toarray(), target_arr, cv=cv,                  scoring='accuracy')
           dt_f1 = cross_validation.cross_val_score(dt,x_data_tfidf.toarray(), target_arr, cv=cv,scoring='f1')
           dt_pre = cross_validation.cross_val_score(dt,x_data_tfidf.toarray(), target_arr, cv=cv, scoring='precision')     
           dt_re = cross_validation.cross_val_score(dt,x_data_tfidf.toarray(), target_arr, cv=cv, scoring='recall')

我想问一下，在单次计算中有什么方法可以得到所有（精度，精度，回忆，f1），目前我必须单独计算所有指标。

谢谢！提前。

Answer 1

我不确定sklearn是否提供了任何包装函数，但是这样的东西可以节省你一些时间。

得分= ['准确度'，'f1'，'精确'，'召回']

metrics = {得分：cross_validation.cross_val_score（dt，x_data_tfidf.toarray（），target_arr，cv = cv，得分=得分）得分+}

Answer 2

不幸的是，目前无法开箱即用，但我们正在研究它。您可以define your own scoring object计算所有这些并打印它们/将它们存储在某个地方。

仅供参考，未完成的公关是here。

如何在python交叉验证中计算不同的度量值

2 个答案: