Python 在RFECV和GridSearchCV中得分有什么区别？

我正在尝试运行RFECV以选择最佳功能，并运行GridSearchCV以获得最佳超参数。我的代码如下所示：

参数={'estimator_uC'：[1e-4，1e4]} 估计器=逻辑回归随机状态=123 选择器=RFECVestimator，步骤=1，cv=5，评分='recall' clf=GridSearchCVselector，参数，cv=5 clf.fitX_列车，y_列车 当我在GridSearchCV中包含相同的评分标准时，我会从cv_结果中获得不同的最佳特征、n_特征和参数。为什么会发生这种情况？这些方法中哪些是正确的

参数={'estimator_uC'：[1e-4，1e4]} 估计器=逻辑回归随机状态=123 选择器=RFECVestimator，步骤=1，cv=5，评分='recall' clf=GridSearchCVselector，参数，cv=5，评分='recall' clf.fitX_列车，y_列车 为什么会这样

在第二种情况下，如果您没有明确指定评分，GridSearchCV将使用所用估计器的默认评分，这里是LogisticReturnal；从：

评分：字符串、可调用、列表/元组、dict或None，默认值：None

[……]

如果没有，则使用估计员得分法

逻辑回归的分数是多少？再次从以下方面：

自我评分，X，y，样本重量=无

返回给定测试数据和标签的平均精度

因此，在第一种情况下，对于GridSearchCV部分，您可以获得最大化准确性的参数，而在第二种情况下，可以获得最大化召回率的参数。原则上，使这两个不同指标最大化的参数不一定是相同的，当然，它们可以是相同的，但它们很可能不是，就像这里一样

以下哪种方法是正确的

从技术上讲，这两种方法都是正确的；唯一能回答这个问题的人是你自己，这与你的业务问题的衡量标准有关

也就是说，第一种方法看起来有点奇怪——为什么您希望在RFECV和GridSearchCV期间针对两种不同的指标进行优化？至少在原则上，根据您选择的指标优化一切会更有意义

---

再次，请记住，所有这些技术实际上都是临时方法，没有太多的理论支持；最终的评判标准是实验。因此，如果你有兴趣，比如说，最大限度地提高最终模型的准确性，但你发现中间RFECV阶段试图最大限度地提高召回率，最终会提供更好的总体准确性，那么你很可能只是出于好奇而去做…

，你有没有一个个人政策，就是不要对你的问题的答案进行投票？@desertnaut-nope，只是不知道这对人们来说很重要。谢谢你让我知道！谢谢投票是整个SO模型的核心-您可能想快速查看一下