Python 使用scikit学习的具有负面示例多数的不平衡数据集
我有一个不平衡的二进制数据集，大多数是1个标签（6到1） 我使用LinearSVC模型运行GridSearchCV，使用class_weight='balanced'优化'C'参数。由于1占多数，我想我需要一个像“metrics.average\u precision\u score”这样的评分函数，但有一个区别：它将根据0而不是1来计算分数Python 使用scikit学习的具有负面示例多数的不平衡数据集,python,scikit-learn,Python,Scikit Learn,我有一个不平衡的二进制数据集，大多数是1个标签（6到1） 我使用LinearSVC模型运行GridSearchCV，使用class_weight='balanced'优化'C'参数。由于1占多数，我想我需要一个像“metrics.average\u precision\u score”这样的评分函数，但有一个区别：它将根据0而不是1来计算分数 我这样做对吗 我有办法吗 我最终在Scikit评分函数文档中找到了答案 通过将负面标签重新定义为“正面标签”（仅适用于评分），可以根据负面标签计算分数。例
我最终在Scikit评分函数文档中找到了答案 通过将负面标签重新定义为“正面标签”（仅适用于评分），可以根据负面标签计算分数。例如：
from sklearn.model_selection import GridSearchCV
from sklearn.metrics import precision_score, make scorer
# here the scoring function is created. make_scorer passes the pos_label=0
# argument to sklearn.metrics.precision_score() to create the desired function.
neg_precision = make_scorer(precision_score, pos_label=0)
# some random C parameters for completion
params = {'C': [0.01, 0.03, 0.1, 0.3, 1, 3, 10]}
clf = GridSearchCV(LinearSVC(class_weight='balanced'), cv=10,param_grid=params, scoring=neg_precision)
clf.fit(X, y)