我使用以下代码通过 gridsearchcv 获取 randomforest 的优化参数。
x_train, x_test, y_train, y_test = train_test_split(X, y, random_state=0)
rfc = RandomForestClassifier(random_state=42, class_weight = 'balanced')
param_grid = {
'n_estimators': [200, 500],
'max_features': ['auto', 'sqrt', 'log2'],
'max_depth' : [4,5,6,7,8],
'criterion' :['gini', 'entropy']
}
k_fold = StratifiedKFold(n_splits=10, shuffle=True, random_state=0)
CV_rfc = GridSearchCV(estimator=rfc, param_grid=param_grid, cv= 10, scoring = 'roc_auc')
CV_rfc.fit(x_train, y_train)
print(CV_rfc.best_params_)
print(CV_rfc.best_score_)
现在，我想将调整后的参数应用到 X_test。为此，我做了以下事情，
pred = CV_rfc.decision_function(x_test)
print(roc_auc_score(y_test, pred))
但是，decision_function 似乎不支持 randomforest，因为我收到以下错误。
AttributeError: 'RandomForestClassifier' object has no attribute 'decision_function'.
还有其他方法吗？
如果需要，我很乐意提供更多详细信息。
最佳答案
如果您打算获得一个模型评分函数，以便评分可用于 auc_roc_score，那么您可以选择 predict_proba()
y_pred_proba = CV_rfc.predict_proba(x_test)
print(roc_auc_score(y_test, y_pred_proba[:,1]))
关于python - 如何在sklearn中获得随机森林中的决策函数，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/55605681/