我正在使用scikit进行一些相对基础的Python机器学习。我试图训练一个模型，接受一些特征值并返回0或1。在我的具体案例中，输出0意味着模型认为一个Facebook帖子不会被分享超过10次，而输出1意味着模型预测给定的Facebook帖子会被分享超过10次。

我使用不同的技术如逻辑回归、神经网络和随机梯度下降训练了几种不同的模型。训练这些模型后，我对它们进行测试，并对每种模型类型（例如逻辑回归、神经网络等）查看每个模型做出的1的预测数量以及正确预测的数量。

现在我面临的问题出现了。假设逻辑回归模型在测试3000个测试数据项时，预测有30个帖子会得到超过10次的分享，因此它返回1。当它做出1的预测时，正确率达到97%。这当然很好，但我非常愿意牺牲一些准确性来生成更多预测。例如，如果我能以80%的准确性生成200个预测，我会毫不犹豫地做出这种权衡。

我可以使用哪些方法来实现这一点？这是否可行？

回答：

这基本上是精确度-召回率权衡问题。

对于逻辑回归，你可以调整决策阈值来获得更高的召回率和更低的精确度。

你可以在这里阅读更多相关信息：http://scikit-learn.org/stable/auto_examples/model_selection/plot_precision_recall.html