使用RBF SVC模型计算召回率和查准率

Question

1-使用已定义的RBF SVC模型m，对参数C和伽马值0.01、0.1、1、10运行网格搜索。网格搜索应找到最适合调用的模型。这个模型的召回率比精确度好多少？(计算召回-精度到小数点后3位)

(使用y_test和X_test计算精度和召回率。)

2-使用已定义的RBF SVC模型m，对参数C和伽马值0.01、0.1、1、10运行网格搜索。网格搜索应找到最优化精度的模型。这个模型的精确度比召回好多少？(计算精度-召回到小数点后3位)

(使用y_test和X_test计算精度和召回率。)

Answer 1

假设定义了Model 'm‘，下面是如何进行网格搜索：

1-初始化栅格参数c& Gamma。

2-使用(model (m)，初始化参数，并将评分设置为'recall')运行网格搜索，然后将第二个问题设置为‘-for’。

3-使用训练数据(X_train和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。

下面是使用scikit learn解决这个问题的代码：

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))