Python 交叉验证精度、召回率和f1以及sklearn

有没有简单的方法可以交叉验证分类器，并立即计算精度和召回率？目前我正在使用这个函数

cross_validation.cross_val_score(classifier, designMatrix, classes, cv=5, scoring="precision")

---

但是它只计算一个指标，所以我不得不调用它两次来计算精度和召回率。对于大型ML模型，计算不必要地花费了2倍的时间。是否有更好的内置选项，或者我必须自己实现交叉验证？谢谢。

我不确定当前的情况（这个功能已经讨论过了），但是你总是可以通过下面的-糟糕的-黑客攻击逃脱

from sklearn.metrics import recall_score, precision_score
from sklearn.metrics.scorer import make_scorer
recall_accumulator = []
def score_func(y_true, y_pred, **kwargs):
    recall_accumulator.append(recall_score(y_true, y_pred, **kwargs))
    return precision_score(y_true, y_pred, **kwargs)
scorer = make_scorer(score_func)

然后在交叉验证中使用

scoring=scorer

。您应该在

recall\u累加器

数组中找到调用值。不过要注意，此数组是全局数组，因此请确保不要以无法解释结果的方式写入它。

当

cross\u val\u score（）

的参数n\u job设置为1时，Eikenberg的答案有效。为了支持并行计算（n_jobs>1），必须使用共享列表而不是全局列表。这可以在多处理模块的Manager类的帮助下完成

然后，每次折叠的结果将存储在

调用\u累加器中

，这一点也将在上讨论。很明显，有一个关于这个问题的讨论即将开始。

from sklearn.metrics import precision_recall_fscore_support
from sklearn.metrics.scorer import make_scorer
from multiprocessing import Manager

recall_accumulator = Manager().list()
def score_func(y_true, y_pred, **kwargs):
    recall_accumulator.append(precision_recall_fscore_support(y_true, y_pred))
    return 0
scorer = make_scorer(score_func)