基于GridSearchCV优化召回率的RBF SVC模型：如何获取精确率？

嗨，我来帮你搞定这个精确率的获取问题！其实有两种简单的方法可以拿到最优模型的精确率，下面给你一步步拆解：

方法一：从已有的GridSearchCV结果中提取（如果提前配置了多评分指标） #

如果你在初始化GridSearchCV的时候，除了指定召回率作为优化目标，还同时设置了追踪精确率，那直接从cv_results_里取就行：

# 假设你的GridSearchCV对象叫grid_search
# 获取最优参数对应的索引
best_idx = grid_search.best_index_
# 提取该索引对应的交叉验证精确率均值
best_precision = grid_search.cv_results_['mean_test_precision'][best_idx]

不过要注意，只有当初始化GridSearchCV时用了多评分参数才会有这个字段，比如：

from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC

# 定义参数网格
param_grid = {'gamma': [0.001, 0.01, 0.1, 1]}
# 初始化GridSearchCV，同时追踪召回率和精确率
grid_search = GridSearchCV(estimator=m, 
                           param_grid=param_grid, 
                           scoring={'recall': 'recall', 'precision': 'precision'},
                           refit='recall',  # 按召回率选择最优模型
                           cv=5)
grid_search.fit(X_train, y_train)

方法二：用最优模型重新计算精确率（如果没配置多评分指标） #

如果已经跑完了GridSearchCV，没设置多评分指标也没关系，直接用它给出的最优模型来计算：

from sklearn.metrics import precision_score

# 获取最优模型
best_model = grid_search.best_estimator_
# 用最优模型对测试集（或验证集）做预测
y_pred = best_model.predict(X_test)
# 计算精确率
best_precision = precision_score(y_test, y_pred)

最后计算差值 #

现在你已经有了召回率（1）和精确率，直接算差值就行：

difference = 1 - best_precision

简单来说，GridSearchCV默认只会保存你指定的优化指标结果，所以如果只盯召回率跑的，就得手动用最优模型算精确率。要是想下次直接拿到所有需要的指标，记得初始化时设置多评分参数哦！

内容的提问来源于stack exchange，提问作者kaless