使用 RBF SVM 模型 m 计算召回率和精度答案

【问题标题】：calculating recall & precision using RBF SVC model m使用 RBF SVM 模型 m 计算召回率和精度
【发布时间】：2019-05-15 16:46:59
【问题描述】：

1- 使用已定义的 RBF SVC 模型 m，对参数 C 和 gamma 运行网格搜索，获取值 [0.01, 0.1, 1, 10]。网格搜索应该找到最优化召回的模型。这个模型的召回率比准确率高多少？（计算召回率 - 精确到小数点后 3 位）

（使用 y_test 和 X_test 计算准确率和召回率。）

2- 使用已定义的 RBF SVC 模型 m，对参数 C 和 gamma 运行网格搜索，获取值 [0.01, 0.1, 1, 10]。网格搜索应该找到最优化精度的模型。这个模型的精度比召回率高多少？（计算精度 - 召回到小数点后 3 位）

（使用 y_test 和 X_test 计算准确率和召回率。）

【问题讨论】：

标签： python-3.x

【解决方案1】：

假设定义了 Model 'm'，下面是如何进行 Grid 搜索：

1- 初始化网格参数 c & Gamma。

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

3- 使用训练数据（X_train & y_train）拟合模型。

4- 在“X_test”上使用函数 predict 计算“y_scores”。

5-计算准确率和召回率的分数。

这是使用 scikit learn 解决问题的代码：

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))

【讨论】：