如何确定 GridSearchCV 中每个评分指标的最佳参数和最佳分数

Posted 2023-03-12

【中文标题】如何确定 GridSearchCV 中每个评分指标的最佳参数和最佳分数

【英文标题】：How to determine best parameters and best score for each scoring metric in GridSearchCV

【发布时间】：2020-11-09 21:39:47

【问题描述】：

我正在尝试评估多个评分指标以确定模型性能的最佳参数。即，说：

为了最大化 F1，我应该使用这些参数。为了最大限度地提高精度，我 应该使用这些参数。

我正在处理来自this sklearn page 的以下示例

import numpy as np

from sklearn.datasets import make_hastie_10_2
from sklearn.model_selection import GridSearchCV
from sklearn.metrics import make_scorer
from sklearn.metrics import accuracy_score
from sklearn.tree import DecisionTreeClassifier

X, y = make_hastie_10_2(n_samples=5000, random_state=42)


scoring = 'PRECISION': 'precision', 'F1': 'f1'

gs = GridSearchCV(DecisionTreeClassifier(random_state=42),
                  param_grid='min_samples_split': range(2, 403, 10),
                  scoring=scoring, refit='F1', return_train_score=True)
gs.fit(X, y)
best_params = gs.best_params_
best_estimator = gs.best_estimator_

print(best_params)
print(best_estimator)

产量：

'min_samples_split': 62
DecisionTreeClassifier(min_samples_split=62, random_state=42)

但是，我要寻找的是为每个指标找到这些结果，所以在这种情况下，对于 F1 和 precision

如何在GridSearchCV 中为每种类型的评分指标获取最佳参数？

注意 - 我认为这与我对 refit='F1' 的使用有关，但不确定如何在其中使用多个指标？

【参考方案1】：

为此，您必须深入了解整个网格搜索 CV 程序的详细结果；幸运的是，这些详细结果在GridSearchCV 对象（docs）的cv_results_ 属性中返回。

我已按原样重新运行您的代码，但我不会在此处重新键入它；可以说，尽管明确设置了随机数生成器的种子，但我得到了不同的最终结果（我猜是由于版本不同）：

'min_samples_split': 322
DecisionTreeClassifier(ccp_alpha=0.0, class_weight=None, criterion='gini',
                       max_depth=None, max_features=None, max_leaf_nodes=None,
                       min_impurity_decrease=0.0, min_impurity_split=None,
                       min_samples_leaf=1, min_samples_split=322,
                       min_weight_fraction_leaf=0.0, presort='deprecated',
                       random_state=42, splitter='best')

但这对于手头的问题并不重要。

使用返回的 cv_results_ 字典的最简单方法是将其转换为 pandas 数据框：

import pandas as pd
cv_results = pd.DataFrame.from_dict(gs.cv_results_)

不过，由于它包含太多信息（列），我将在此处进一步简化以演示问题（您可以自己更全面地探索它）：

df = cv_results[['params', 'mean_test_PRECISION', 'rank_test_PRECISION', 'mean_test_F1', 'rank_test_F1']]

pd.set_option("display.max_rows", None, "display.max_columns", None)
pd.set_option('expand_frame_repr', False)
print(df)

结果：

                        params  mean_test_PRECISION  rank_test_PRECISION  mean_test_F1  rank_test_F1
0     'min_samples_split': 2             0.771782                    1      0.763041            41
1    'min_samples_split': 12             0.768040                    2      0.767331            38
2    'min_samples_split': 22             0.767196                    3      0.776677            29
3    'min_samples_split': 32             0.760282                    4      0.773634            32
4    'min_samples_split': 42             0.754572                    8      0.777967            26
5    'min_samples_split': 52             0.754034                    9      0.777550            27
6    'min_samples_split': 62             0.758131                    5      0.773348            33
7    'min_samples_split': 72             0.756021                    6      0.774301            30
8    'min_samples_split': 82             0.755612                    7      0.768065            37
9    'min_samples_split': 92             0.750527                   10      0.771023            34
10  'min_samples_split': 102             0.741016                   11      0.769896            35
11  'min_samples_split': 112             0.740965                   12      0.765353            39
12  'min_samples_split': 122             0.731790                   13      0.763620            40
13  'min_samples_split': 132             0.723085                   14      0.768605            36
14  'min_samples_split': 142             0.713345                   15      0.774117            31
15  'min_samples_split': 152             0.712958                   16      0.776721            28
16  'min_samples_split': 162             0.709804                   17      0.778287            24
17  'min_samples_split': 172             0.707080                   18      0.778528            22
18  'min_samples_split': 182             0.702621                   19      0.778516            23
19  'min_samples_split': 192             0.697630                   20      0.778103            25
20  'min_samples_split': 202             0.693011                   21      0.781047            10
21  'min_samples_split': 212             0.693011                   21      0.781047            10
22  'min_samples_split': 222             0.693011                   21      0.781047            10
23  'min_samples_split': 232             0.692810                   24      0.779705            13
24  'min_samples_split': 242             0.692810                   24      0.779705            13
25  'min_samples_split': 252             0.692810                   24      0.779705            13
26  'min_samples_split': 262             0.692810                   24      0.779705            13
27  'min_samples_split': 272             0.692810                   24      0.779705            13
28  'min_samples_split': 282             0.692810                   24      0.779705            13
29  'min_samples_split': 292             0.692810                   24      0.779705            13
30  'min_samples_split': 302             0.692810                   24      0.779705            13
31  'min_samples_split': 312             0.692810                   24      0.779705            13
32  'min_samples_split': 322             0.688417                   33      0.782772             1
33  'min_samples_split': 332             0.688417                   33      0.782772             1
34  'min_samples_split': 342             0.688417                   33      0.782772             1
35  'min_samples_split': 352             0.688417                   33      0.782772             1
36  'min_samples_split': 362             0.688417                   33      0.782772             1
37  'min_samples_split': 372             0.688417                   33      0.782772             1
38  'min_samples_split': 382             0.688417                   33      0.782772             1
39  'min_samples_split': 392             0.688417                   33      0.782772             1
40  'min_samples_split': 402             0.688417                   33      0.782772             1

列的名称应该是不言自明的；它们包括尝试的参数、使用的每个指标的分数以及相应的排名（1 表示最佳）。例如，您可以立即看到，尽管 'min_samples_split': 322 确实给出了最好的 F1 分数，但它不是唯一这样做的参数设置，还有更多设置也在结果中给出最好的 F1 分数和 1 的 rank_test_F1。

从这一点来说，获得你想要的信息是微不足道的；例如，以下是您的两个指标中每一个指标的最佳模型：

print(df.loc[df['rank_test_PRECISION']==1]) # best precision
# result:
                     params  mean_test_PRECISION  rank_test_PRECISION  mean_test_F1  rank_test_F1
0  'min_samples_split': 2             0.771782                    1      0.763041            41

print(df.loc[df['rank_test_F1']==1]) # best F1
# result:
                        params  mean_test_PRECISION  rank_test_PRECISION  mean_test_F1  rank_test_F1
32  'min_samples_split': 322             0.688417                   33      0.782772             1
33  'min_samples_split': 332             0.688417                   33      0.782772             1
34  'min_samples_split': 342             0.688417                   33      0.782772             1
35  'min_samples_split': 352             0.688417                   33      0.782772             1
36  'min_samples_split': 362             0.688417                   33      0.782772             1
37  'min_samples_split': 372             0.688417                   33      0.782772             1
38  'min_samples_split': 382             0.688417                   33      0.782772             1
39  'min_samples_split': 392             0.688417                   33      0.782772             1
40  'min_samples_split': 402             0.688417                   33      0.782772             1

【讨论】：

只是为了便于理解...这表明min_samples_split: 2 是最大化精度的最佳超参数，即使使用refit=F1?

@wundermahn 完全正确；通过df，您可以轻松确认0.771782 的相应精度值确实是最大值。您在refit 中指定的内容决定了该过程将返回为best_params 和best_estimator 的内容（这就是为什么在这里您获得最大化F1 的参数，而不是精度），因为很明显您不能优化超过一个指标同时。