Scikit learn sklearn分类器的概率预测(predict_proba)是否包括召回率/精确度

Scikit learn sklearn分类器的概率预测(predict_proba)是否包括召回率/精确度,scikit-learn,logistic-regression,Scikit Learn,Logistic Regression,我使用sklearn.linear\u model.LogisticRegression构建了一个分类器,当我做出新的预测时,我还输出了predict\u proba()概率预测。我的问题是,这些预测是否包括模型拟合优度的指标?例如,我喜欢输出metrics.classification\u report,并考虑在通过predict\u proba()评估概率输出之前使用召回率作为贝叶斯,但如果召回率和精度已经被纳入predict\u proba(),那么我不想重复计算 我很想听听人们的想法 我

我使用
sklearn.linear\u model.LogisticRegression
构建了一个分类器,当我做出新的预测时,我还输出了
predict\u proba()
概率预测。我的问题是,这些预测是否包括模型拟合优度的指标?例如,我喜欢输出
metrics.classification\u report
,并考虑在通过
predict\u proba()
评估概率输出之前使用召回率作为贝叶斯,但如果召回率和精度已经被纳入
predict\u proba()
,那么我不想重复计算


我很想听听人们的想法

我不擅长朴素贝叶斯或高斯过程,但根据它返回X的
joint\u log\u likelion()
指数,不管它是什么意思。所以IMO没有考虑召回事件。希望它能有所帮助,为什么你在谈论朴素贝叶斯时会标记逻辑回归?Vivek,我使用的是逻辑回归算法,而不是朴素贝叶斯作为分类器。我只引用了贝叶斯统计,因为它们可以用来将回忆(先验)与预测概率(测量)结合起来,给出后验概率。啊。很抱歉我的bad
predict\u proba
只返回标准逻辑回归概率(输入向量x系数的logit函数,请参阅)。这里没有关于拟合优度或回忆的信息。我不是朴素贝叶斯或高斯过程的专家,但根据它返回X的
joint\u log\u likelion()
指数,不管它是什么意思。所以IMO没有考虑召回事件。希望它能有所帮助,为什么你在谈论朴素贝叶斯时会标记逻辑回归?Vivek,我使用的是逻辑回归算法,而不是朴素贝叶斯作为分类器。我只引用了贝叶斯统计,因为它们可以用来将回忆(先验)与预测概率(测量)结合起来,给出后验概率。啊。很抱歉我的bad
predict\u proba
只返回标准逻辑回归概率(输入向量x系数的logit函数,请参阅)。没有关于拟合优度或回忆的信息。。