我正在尝试评估多个评分指标，以确定模型性能的最佳参数。也就是说：

为了最大化F1，我应该使用这些参数。为了最大化精确度，我应该使用这些参数。

我正在参考这个sklearn页面上的示例进行工作

import numpy as npfrom sklearn.datasets import make_hastie_10_2from sklearn.model_selection import GridSearchCVfrom sklearn.metrics import make_scorerfrom sklearn.metrics import accuracy_scorefrom sklearn.tree import DecisionTreeClassifierX, y = make_hastie_10_2(n_samples=5000, random_state=42)scoring = {'PRECISION': 'precision', 'F1': 'f1'}gs = GridSearchCV(DecisionTreeClassifier(random_state=42),                  param_grid={'min_samples_split': range(2, 403, 10)},                  scoring=scoring, refit='F1', return_train_score=True)gs.fit(X, y)best_params = gs.best_params_best_estimator = gs.best_estimator_print(best_params)print(best_estimator)

这将产生以下结果：

{'min_samples_split': 62}DecisionTreeClassifier(min_samples_split=62, random_state=42)

然而，我想要的是找到每个指标的结果，在这种情况下，就是针对F1和精确度的

如何在GridSearchCV中为每种评分指标获取最佳参数？

注意 – 我认为这与我使用refit='F1'有关，但我不知道如何在其中使用多个指标？

回答：

要做到这一点，你需要深入研究整个网格搜索CV过程的详细结果；幸运的是，这些详细结果会以cv_results_属性的形式在GridSearchCV对象中返回（文档）。

我已经按原样重新运行了你的代码，但在这里不重复输入；尽管明确设置了随机数生成器的种子，我得到了不同的最终结果（我猜是因为不同版本）：

{'min_samples_split': 322}DecisionTreeClassifier(ccp_alpha=0.0, class_weight=None, criterion='gini',                       max_depth=None, max_features=None, max_leaf_nodes=None,                       min_impurity_decrease=0.0, min_impurity_split=None,                       min_samples_leaf=1, min_samples_split=322,                       min_weight_fraction_leaf=0.0, presort='deprecated',                       random_state=42, splitter='best')

但这对于手头的问题并不重要。

使用返回的cv_results_字典的最简单方法是将其转换为pandas数据框：

df = cv_results[['params', 'mean_test_PRECISION', 'rank_test_PRECISION', 'mean_test_F1', 'rank_test_F1']]pd.set_option("display.max_rows", None, "display.max_columns", None)pd.set_option('expand_frame_repr', False)print(df)