我刚刚开始在Python中使用GridSearchCV，但是我对其中的评分（scoring）感到困惑。我在某些地方看到过

scorers = {    'precision_score': make_scorer(precision_score),    'recall_score': make_scorer(recall_score),    'accuracy_score': make_scorer(accuracy_score)}grid_search = GridSearchCV(clf, param_grid, scoring=scorers, refit=refit_score,                       cv=skf, return_train_score=True, n_jobs=-1)

使用这些值（即精确度、召回率、准确率）的意图是什么？

GridSearch是否根据这些评分值来为我们提供优化后的参数…比如说，为了获得最佳的精确度评分，它会找到最佳的参数之类的情况？

它会计算可能参数的精确度、召回率和准确率，并给出结果，现在的问题是，如果这是真的，那么它是基于精确度、召回率还是准确率来选择最佳参数的？上述说法是否正确？

回答：

你的假设基本上是正确的。这个参数字典允许网格搜索针对每个评分指标进行优化，并为每个评分找到最佳参数。

然而，如果你没有选择哪个评分用于refit，你就不能让网格搜索自动拟合并返回best_estimator_，否则它会抛出以下错误：

ValueError: For multi-metric scoring, the parameter refit must be set to a scorer key to refit an estimator with the best parameter setting on the whole data and makethe best_* attributes available for that metric. If this is not needed, refit should be set to False explicitly. True was passed.