我正在研究有监督的机器学习算法，它似乎有一种奇怪的行为。 那么，让我开始吧：
我有一个函数，我传递不同的分类器，它们的参数，训练数据和它们的标签：
def HT(targets,train_new, algorithm, parameters):
#creating my scorer
scorer=make_scorer(f1_score)
#creating the grid search object with the parameters of the function
grid_search = GridSearchCV(algorithm,
param_grid=parameters,scoring=scorer, cv=5)
# fit the grid_search object to the data
grid_search.fit(train_new, targets.ravel())
# print the name of the classifier, the best score and best parameters
print algorithm.__class__.__name__
print('Best score: {}'.format(grid_search.best_score_))
print('Best parameters: {}'.format(grid_search.best_params_))
# assign the best estimator to the pipeline variable
pipeline=grid_search.best_estimator_
# predict the results for the training set
results=pipeline.predict(train_new).astype(int)
print results
return pipeline
对于这个函数，我传递的参数如下：
clf_param.append( {'C' : np.array([0.001,0.01,0.1,1,10]),
'kernel':(['linear','rbf']),
'decision_function_shape' : (['ovr'])})
好的，所以这里的事情开始变得奇怪。此函数返回f1_score，但它与我使用公式手动计算的分数不同： F1 = 2 *（精确*召回）/（精确+召回）
存在很大差异（0.68与0.89相比）
我在功能上做错了什么？ grid_search（grid_search.best_score_）计算得分应与整个训练集（grid_search.best_estimator_.predict（train_new））的得分相同？ 谢谢
答案 0 :(得分：1)
您手动计算的分数会考虑所有类的全局真阳性和阴性。但是在scikit，f1_score中，默认方法是计算二进制平均值（即只计算正数）。
因此，为了达到相同的分数，请使用下面指定的f1_score：
scorer=make_scorer(f1_score, average='micro')
或者简单地说，在gridSearchCV中，使用：
scoring = 'f1_micro'
有关如何完成分数平均的更多信息，请参阅： - http://scikit-learn.org/stable/modules/model_evaluation.html#common-cases-predefined-values
您可能还想查看以下答案，其中详细介绍了scikit中得分的计算： -
编辑： 将宏更改为微观。如文档中所述：
＆＃39; micro＆＃39 ;:通过统计总数来全局计算指标 积极，假阴性和误报。