Я использую k-fold cross validation для настройки гиперпараметра на весь набор тренировок с Weka, и он показывает среднюю точность, напомним, f1 перекрестной проверки. Я хочу получить те же результаты с Sklearn в python.Как получить среднюю точность, напомнить, f1, точность кросс-валидации с помощью sklearn?
cv = StratifiedShuffleSplit(n_splits=5, test_size=0.2, random_state=42)
grid = GridSearchCV(LinearSVC(), param_grid=param_grid, cv=cv)
grid.fit(X_train, y_train)
# print the best parameters
print("The best parameters are %s with a score of %0.5f"
% (grid.best_params_, grid.best_score_))
# print the average precision, recall, f1, accuracy of cross
# validation with the best parameters found
???
Любой может помочь?
Привет Саймон, ссылка только показывает отчет о классификации на тренировочных и тестовых данных или, что мне нужно, это усредненная производительность на множестве разработки с использованием кросс проверки к фолд. –
Исправьте best_estimator_ в поезде, предскажите на тест; а затем назовите классификационный отчет о прогнозах. – simon