所以我使用scikit在python中进行一些相对基本的机器学习。我正在尝试训练模型以获取一些特征值并返回0或1.在我的特定情况下，输出0意味着模型不认为Facebook帖子将被共享超过10次而1表示模型预测给定的facebook帖子将被共享超过10次。
我使用不同的技术训练了一些不同的模型，如逻辑回归，神经网络和随机梯度下降。一旦我训练了这些模型，我就会对它们进行测试，对于每种模型类型，即逻辑回归，神经网络等，我看到每个模型做出的预测数量是多少，有多少是正确的。
现在我面临的问题出现了。比较逻辑回归模型，当测试3000个项目的测试数据时，预测30个帖子将获得超过10个股票，因此它返回1.当它预测为1时，这是正确的97％。这是一切都很好，但我更愿意交易一些准确性来产生更多的预测。例如，如果我能够以80％的准确率生成200个预测，那么我会在心跳中做出这种权衡。
我可以用什么方法来做这个以及如何做？它甚至可能吗？
答案 0 :(得分：1)
这基本上是精确回忆权衡问题。
对于Logistic回归，您可以更改决策阈值以获得更高的召回率和更低的精确度。
您可以在此处详细了解：http://scikit-learn.org/stable/auto_examples/model_selection/plot_precision_recall.html