Question

1-使用已经定义的RBF SVC模型m，对参数C和gamma进行网格搜索，以查找值[0.01，0.1，1，10]。网格搜索应找到最适合召回的模型。该模型的召回率比精度高多少？（计算召回率-精确到小数点后三位）

（使用y_test和X_test计算精度和召回率。）

2-使用已经定义的RBF SVC模型m，对参数C和gamma进行网格搜索，以查找值[0.01，0.1，1，10]。网格搜索应找到最优化精度的模型。该模型的精度比召回率好多少？（计算精度-召回3个小数位）

（使用y_test和X_test计算精度和召回率。）

Answer 1

假设已定义模型'm'，以下是进行网格搜索的方法：

1-初始化Grid参数c和Gamma。

2-使用（模型（m），初始化参数，运行网格搜索，并将得分设置为“召回”）-对于第二个问题，您将其设置为“精度”。

3-使用训练数据（X_train和y_train）拟合模型。

4-使用“ X_test”上的预测函数计算“ y_scores”。

5-计算精确度和查全率。

以下是使用scikit学习的代码：

from sklearn.metrics import recall_score, precision_score
from sklearn.model_selection import GridSearchCV

grid_params = {'gamma': [0.01, 0.1, 1, 10],'C': [0.01, 0.1, 1, 10]}
grid_recall = GridSearchCV(m, param_grid = grid_params , scoring = 'recall')
grid_recall.fit(X_train, y_train)
y_scores = grid_recall.predict(X_test)

print('Difference: ', recall_score(y_test, y_scores) -  precision_score(y_test, y_scores))

使用RBF SVC模型m计算召回率和精度

1 个答案: