如何用Scikit-Learn GridSearchCV单次fit获取精确率、召回率、F1值

完全不需要循环多次调用fit和predict方法，GridSearchCV原生支持传入多评价指标列表，单次拟合就能记录所有参数组合对应的三类指标得分。 #

具体实现步骤 #

1. 初始化时配置多指标参数 #

GridSearchCV的scoring参数支持直接传入包含多个评价指标标识的列表，你需要的三类指标对应的内置标识分别为'precision'、'recall'、'f1'，如果是多分类任务，可以根据需求补充平均策略后缀，比如'f1_macro'、'recall_weighted'等。
示例代码：

from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC
import pandas as pd

# 定义待搜索的参数网格
param_grid = {
    'C': [1, 10, 100],
    'kernel': ['linear', 'rbf']
}

# 定义多评价指标列表
scoring_list = ['precision', 'recall', 'f1']

# 初始化GridSearchCV
grid_search = GridSearchCV(
    estimator=SVC(random_state=42),
    param_grid=param_grid,
    scoring=scoring_list,
    refit='f1', # 可选：指定按f1指标筛选最优模型后拟合全量数据，仅需得分可设为False
    cv=5,
    n_jobs=-1
)

# 单次调用fit完成所有交叉验证计算
grid_search.fit(X_train, y_train)

2. 访问所有参数组合的各指标得分 #

拟合完成后，所有交叉验证结果都存储在cv_results_属性中，该字典针对每个你指定的指标都会生成对应的得分字段，包括单折得分、平均得分、得分标准差，直接提取即可，也可以转成DataFrame做结构化展示：

# 转换为DataFrame便于查看
cv_results = pd.DataFrame(grid_search.cv_results_)

# 提取参数组合+三类指标的平均交叉验证得分
target_result = cv_results[['params', 'mean_test_precision', 'mean_test_recall', 'mean_test_f1']]
print(target_result)

补充说明 #

• 多分类任务必须指定指标的平均策略，否则默认是二分类指标计算逻辑，会触发报错
• 若仅需要统计各参数组合的指标得分，不需要输出最优模型，可以将refit参数设为False，减少计算量

内容的提问来源于stack exchange，提问作者Zhao Li