机器学习实战：基于Scikit-Learn、Keras 和TensorFlow （原书第2 版）

94

｜

第

3

章

精度

：

召回率

：

6/8 = 75%

6/6 = 100%

3/3 = 100%

3/6 = 50%

4/5 = 80%

4/6 = 67%

负精度

各种阈值

正精度

分数

图 3-3 ：在这个精度 / 召回率权衡中，图像按其分类器评分进行排名，而高于所选决策阈值的

图像被认为是正的；阈值越高，召回率越低，但是（通常）精度越高

>>>

y_scores = sgd_clf.decision_function([some_digit])

>>>

y_scores

array([2412.53175101])

>>>

threshold = 0

>>>

y_some_digit_pred = (y_scores > threshold)

array([ True])

SGDClassifier 分类器使用的阈值是 0，所以前面代码的返回结果与 predict() 方

法一样（也就是 True）。我们来试试提升阈值：

>>>

threshold = 8000

>>>

y_some_digit_pred = (y_scores > threshold)

>>>

y_some_digit_pred

array([False])

这证明了提高阈值确实可以降低召回率。这张图确实是 5，当阈值为 0 时，分类器可以

检测到该图，但是当阈值提高到 8000 时，就错过了这张图。

那么要如何决定使用什么阈值呢？首先，使用 cross_val_predict() 函数获取训练

集中所有实例的分数，但是这次需要它返回的是决策分数而不是预测结果： ...