似乎scikit-learn的GridSearchCV
收集其(内部)交叉验证折叠的分数,然后在所有折叠的分数中取平均值。我想知道这背后的理由。乍一看,相反收集交叉验证折叠的预测,然后将选定的评分指标应用于所有折叠的预测,似乎更灵活。
我偶然发现这一点的原因是我对GridSearchCV
和cv=LeaveOneOut()
(scikit-learn v0.20.dev0)的不平衡数据集使用scoring='balanced_accuracy'
。将评分指标(例如平衡准确度(或召回))应用于每个遗漏样本是没有意义的。相反,我想首先收集所有预测,然后将我的评分指标应用于所有预测。或者这是否涉及推理错误?
更新:我通过创建基于GridSearchCV
的自定义网格搜索类来解决它,区别在于首先从所有内部折叠收集预测,并且评分指标应用一次。< / p>
答案 0 :(得分:1)
GridSearchCV
使用得分来决定在模型中设置哪些内部超参数。
如果要估计“最佳”超参数的性能,则需要执行额外的交叉验证步骤。
请参阅http://scikit-learn.org/stable/auto_examples/model_selection/plot_nested_cross_validation_iris.html
编辑以更接近回答实际问题:
对我来说,如果你想使用LeaveOneOut
和balanced_accuracy
,收集每个折叠的预测然后对它们进行全部评分似乎是合理的。我想你需要制作自己的网格搜索器才能做到这一点。您可以使用model_selection.ParameterGrid
和model_selection.KFold
。