пример придуман для этого вопроса. скажем, я обучаю двоичный классификатор, используя пакет sklearn. У меня есть сбалансированный набор данных, половина положительных и половина отрицательных образцов. я разделил данные поезда/теста (пример кода ниже). Я хочу обучить это так, чтобы у меня была достаточно хорошая точность и значения отзыва. Я определенно хочу, чтобы ложноположительных результатов было больше, чем ложноотрицательных. Я понимаю, что могу настроить значение отсечения, и это значение отсечения может повлиять на точность и достоверность моей модели. Является ли хорошей стратегией корректировка отсечки во время обучения, пока вы не получите желаемое значение точности отзыва?
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=16)
logreg = LogisticRegression()
logreg.fit(X_train, y_train)
y_pred = logreg.predict(X_test)
Подробнее здесь: https://stackoverflow.com/questions/787 ... sion-model
