我正在使用sklearn.model_selection.GridSearchCV
和sklearn.model_selection.cross_val_score
,在这样做的过程中,我遇到了意想不到的结果。
在我的示例中,我使用以下导入:
from sklearn.datasets import make_classification
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import LinearSVC
from sklearn.model_selection import cross_val_score
from sklearn.metrics import make_scorer
from sklearn.metrics import recall_score
from sklearn.model_selection import GridSearchCV
import numpy as np
首先,我创建一个随机数据集:
X, y = make_classification(n_samples=1000, n_features=20, random_state=42)
接下来,我定义管道“生成器”:
def my_pipeline(C=None):
if C is None:
return Pipeline(
[
('step1', StandardScaler()),
('clf', LinearSVC(random_state=42))
])
else:
return Pipeline(
[
('step1', StandardScaler()),
('clf', LinearSVC(C=C, random_state=42))
])
接下来,我设置了几个要测试的 C
:
Cs = [0.01, 0.1, 1, 2, 5, 10, 50, 100]
最后,我想检查一下最大的recall_score
是多少。可以得到的。有一次,我使用cross_val_score
来做到这一点一旦直接使用 GridSearchCV
.
np.max(
[
np.mean(
cross_val_score(my_pipeline(C=c), X, y,
cv=3,
scoring=make_scorer(recall_score)
)) for c in Cs])
和:
GridSearchCV(
my_pipeline(),
{
'clf__C': Cs
},
scoring=make_scorer(recall_score),
cv=3
).fit(X, y).best_score_)
在我的示例中,前者生成 0.85997883750571147
,后者生成 0.85999999999999999
。我期望值是相同的。我错过了什么?
我把它全部放在 gist 中也是如此。
编辑:修复cv
。我将 cv=3
替换为 StratifiedKFold(n_splits=3, random_state=42)
,结果没有改变。事实上,cv
似乎并不影响结果。
最佳答案
对我来说,这看起来像是一个精度问题。如果您查看完整的分数列表,那么对于 cross_val_score
,您会得到以下结果:
[0.85193468484717316,
0.85394271697568724,
0.85995478921674717,
0.85995478921674717,
0.8579467570882332,
0.86195079720077905,
0.81404660558401265,
0.82201861337565829]
对于GridSearchCV
,您将得到以下内容
[mean: 0.85200, std: 0.02736, params: {'clf__C': 0.01},
mean: 0.85400, std: 0.02249, params: {'clf__C': 0.1},
mean: 0.86000, std: 0.01759, params: {'clf__C': 1},
mean: 0.86000, std: 0.01759, params: {'clf__C': 2},
mean: 0.85800, std: 0.02020, params: {'clf__C': 5},
mean: 0.86200, std: 0.02275, params: {'clf__C': 10},
mean: 0.81400, std: 0.01916, params: {'clf__C': 50},
mean: 0.82200, std: 0.02296, params: {'clf__C': 100}]
因此,每对对应的分数基本上几乎相同,只是精度差异很小(似乎 GridSearchCV 中的分数是四舍五入的)。
关于python - Scikit learn 中的交叉验证与网格搜索,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/45277086/