问SGD分类器精度-召回曲线

EN

您描述的情况实际上与文档示例中使用的前2类虹膜数据和一个LinearSVC分类器中的情况相同(该算法使用平方铰链丢失，这与您在这里使用的铰链丢失一样，导致一个分类器只产生二进制结果，而不是概率结果)。由此产生的阴谋是：

​

​

在质量上和你的很相似。

尽管如此，你的问题是合理的，也是一个不错的陷阱；当我们的分类器不产生概率预测(因此任何阈值的概念听起来都不相关)时，我们怎么会得到类似概率分类器产生的行为呢？

为了了解为什么会这样，我们需要从这里使用的plot_precision_recall_curve函数开始，然后沿着线程向下深入到兔子洞.

从源代码 of plot_precision_recall_curve开始，我们发现：

y_pred, pos_label = _get_response(
    X, estimator, response_method, pos_label=pos_label)

因此，为了绘制PR曲线，预测y_pred不是由我们的分类器的predict方法直接生成的，而是由scikit-learn的_get_response()内部函数生成的。

_get_response()依次包括以下几行：

prediction_method = _check_classifier_response_method(
    estimator, response_method)

y_pred = prediction_method(X)

这最终将我们引向_check_classifier_response_method()内部函数；您可以检查它的完整源代码 --这里感兴趣的是else语句之后的以下3行：

predict_proba = getattr(estimator, 'predict_proba', None)
decision_function = getattr(estimator, 'decision_function', None)
prediction_method = predict_proba or decision_function

到现在为止，您可能已经开始了解问题了:在遮罩下，plot_precision_recall_curve检查所使用的分类器是否可用predict_proba()或decision_function()方法；如果没有predict_proba()，比如有铰链丢失的SGDClassifier (或具有平方铰链损失的LinearSVC分类器的文档示例 )，它将恢复到decision_function()方法，以便计算随后将用于绘制PR (和ROC)曲线的y_pred。

上述问题可以说回答了您的编程问题，即在这种情况下，scikit-learn是如何生成绘图和基本计算的；关于是否和为什么使用非概率分类器的decision_function()确实是获得PR (或ROC)曲线的正确和合法方法的进一步的理论询问是不可能的，如果有必要的话，它们应该被发送到交叉验证。