多标签场景召回率最大化咨询及单标签分类召回优化问题

嘿，我来帮你搞定这两个问题！先从你提到的那个三分类文本任务说起——你要优先保证-1类的召回率，精确率可以放低，但现在GridSearchCV在优化准确率，这确实没对准你的需求，得调整几个地方：

一、针对你的三分类文本任务（优先保证-1类召回率） #

1. 把GridSearchCV的优化目标改成-1类的召回率 #

你的核心需求是让所有该标-1的样本都被抓到，所以得让GridSearch直接以这个指标为优化目标，而不是默认的准确率。sklearn里可以用make_scorer自定义评分函数，专门计算-1类的召回率：

from sklearn.metrics import recall_score, make_scorer
# 自定义评分器，指定要优化的目标类别为-1
recall_neg1_scorer = make_scorer(recall_score, pos_label=-1)

然后在GridSearchCV里把scoring参数设为这个自定义评分器就行，这样超参数调优就会朝着最大化-1类召回率的方向走。

2. 调整模型的决策阈值 #

逻辑回归默认是按概率最高的类别来预测，但如果你想提高-1类的召回率，可以降低-1类的判定阈值——比如原本只有概率>=0.5才判定为-1，现在改成>=0.3，这样更多样本会被归为-1，自然召回率就上去了（代价是精确率下降，刚好符合你的需求）。
代码示例：

# 拿到GridSearch选出的最优模型
best_model = grid_search.best_estimator_
# 找到-1类在模型类别列表中的索引
neg1_class_idx = list(best_model.named_steps['clf'].classes_).index(-1)
# 获取测试集上所有样本属于-1类的概率
y_proba_neg1 = best_model.predict_proba(X_test)[:, neg1_class_idx]
# 自定义阈值生成最终预测结果
y_pred = []
for idx, prob in enumerate(y_proba_neg1):
    if prob >= 0.3:  # 阈值可以根据实际效果调整
        y_pred.append(-1)
    else:
        # 否则沿用原模型对0/1类的预测结果
        y_pred.append(best_model.predict(X_test)[idx])

3. 处理样本不平衡（如果存在的话） #

如果-1类的样本数量远少于0和1类，模型很容易忽略它，这时候可以给-1类加权重：

• 在逻辑回归里设置class_weight='balanced'，让模型自动根据样本数量调整权重；
• 或者手动指定权重，比如class_weight={-1: 5, 0:1, 1:1}，给-1类更高的权重，强迫模型重视它。
  修改Pipeline里的逻辑回归步骤：

('clf', LogisticRegression(class_weight='balanced', max_iter=1000))

二、多标签场景下最大化召回率 #

多标签任务里每个样本可以对应多个标签，要最大化召回率，得从这几个方向入手：

• 选适配的多标签模型：可以用MultiOutputClassifier把单标签模型包装成多标签模型，或者用专门的多标签模型如MLkNN、ClassifierChain，这些模型更适配多标签的场景；
• 优化正确的评分指标：多标签的召回率有两种常用计算方式：
  • recall_samples：从样本角度，计算每个样本的真实标签被预测到的比例；
  • recall_macro：从标签角度，计算每个标签的召回率然后取平均；
    你可以根据需求在GridSearchCV里指定scoring='recall_samples'或者recall_macro；
• 降低标签判定阈值：多标签模型通常会输出每个标签的预测概率，默认阈值是0.5，降低这个阈值（比如到0.3），会让更多标签被预测出来，直接提升召回率；
• 针对少数标签加权：如果某些标签的样本很少，同样可以给这些标签对应的分类器加权重，或者对少数标签的样本做过采样（比如SMOTE），让模型更关注这些标签。

完整修改后的代码示例 #

from sklearn.pipeline import Pipeline
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GridSearchCV
from sklearn.metrics import recall_score, make_scorer

# 1. 自定义针对-1类的召回率评分器
recall_neg1_scorer = make_scorer(recall_score, pos_label=-1)

# 2. 构建Pipeline
steps = [
    ('vect', CountVectorizer()),
    ('clf', LogisticRegression(class_weight='balanced', max_iter=1000))
]
pipeline = Pipeline(steps)

# 3. 超参数网格
param_grid = {
    'vect__ngram_range': [(1,1), (1,2)],
    'clf__C': [0.1, 1, 10]
}

# 4. 用自定义评分器做GridSearch
grid_search = GridSearchCV(pipeline, param_grid, scoring=recall_neg1_scorer, cv=5)
grid_search.fit(X_train, y_train)

# 5. 调整决策阈值进一步提升召回率
best_model = grid_search.best_estimator_
neg1_class_idx = list(best_model.named_steps['clf'].classes_).index(-1)
y_proba_neg1 = best_model.predict_proba(X_test)[:, neg1_class_idx]

# 生成自定义阈值的预测结果
y_pred = []
for idx, prob in enumerate(y_proba_neg1):
    if prob >= 0.3:
        y_pred.append(-1)
    else:
        y_pred.append(best_model.predict(X_test)[idx])

# 评估最终效果
print(f"-1类召回率: {recall_score(y_test, y_pred, pos_label=-1)}")

内容的提问来源于stack exchange，提问作者Florestan