从两种不同的方法计算召回率和准确率的不同结果答案

【问题标题】：different results in calculating recall and precision from two different methods从两种不同的方法计算召回率和准确率的不同结果
【发布时间】：2019-07-31 17:47:56
【问题描述】：

根据下面的代码，我正在计算特定分类器的召回率和精度分数

clf = GradientBoostingClassifier(n_estimators=20)
clf.fit(X_train,y_train)
pred=clf.predict(X_test)
precision_recall_fscore_support(y_test, pred, average='micro' or, 'weighted', or, 'macro', or 'none')

那么结果就是

(0.8861803737814977, 0.8714028776978417, 0.8736586610015085, None)
(0.8714028776978417, 0.8714028776978417, 0.8714028776978417, None)
(0.8576684989847967, 0.883843537414966, 0.8649539913120651, None)

(array([0.95433071, 0.76100629]),
 array([0.84166667, 0.92602041]),
array([0.89446494, 0.83544304]),
array([720, 392]))

但是如果我用

来计算它们

clf = GradientBoostingClassifier()
skf = StratifiedKFold(n_splits=10)
param_grid = {'n_estimators':range(20,23)}

grid_search = GridSearchCV(clf, param_grid, scoring=scorers, refit=recall_score,

                       cv=skf, return_train_score=True, n_jobs=-1)
results = pd.DataFrame(grid_search_clf.cv_results_)

然后我会得到以下 table

您可以看到，平均召回率和准确率得分与上一步计算的得分非常不同，而具有相同参数的相同数据已应用于两者。我想知道是否有人可以帮助我我做错了什么

【问题讨论】：

标签： python machine-learning classification grid-search precision-recall

【解决方案1】：

嗯，指标是根据不同的事物计算的。

precision_recall_fscore_support(y_test, pred)

显示测试数据的指标值。

但是当您使用 GridSearchCV 时，训练数据会按照定义的 cv 拆分为训练和测试，并且会根据该测试数据（训练数据的子集）计算指标。然后这些指标被平均折叠。

【讨论】：