This would tell GridSearchCV to try

This would tell GridSearchCV to try out unigrams, bigrams, and trigrams as
parameter values for the ngram_range parameter of TfidfVectorizer.
Then it trains the estimator with all possible parameter/value combinations. Finally,
it provides the best estimator in the form of the member variable best_estimator_.
As we want to compare the returned best classifier with our current best one, we
need to evaluate it the same way. Therefore, we can pass the ShuffleSplit
instance using the CV parameter (this is the reason CV is present in GridSearchCV).
The only missing thing is to define how GridSearchCV should determine the best
estimator. This can be done by providing the desired score function to (surprise!)
the score_func parameter. We could either write one ourselves or pick one from
the sklearn.metrics package. We should certainly not take metric.accuracy
because of our class imbalance (we have a lot less tweets containing sentiment than
neutral ones). Instead, we want to have good precision and recall on both the
classes: the tweets with sentiment and the tweets without positive or negative
opinions. One metric that combines both precision and recall is the F-measure
metric, which is implemented as metrics.f1_score:

Kết quả (Việt) 1:

Điều này sẽ cho biết GridSearchCV để thử unigrams, bigrams, và trigrams nhưtham số các giá trị cho tham số ngram_range của TfidfVectorizer.Sau đó nó xe lửa công cụ ước tính với tất cả có thể/giá trị tham số kết hợp. Cuối cùng,khách sạn cung cấp các công cụ ước tính tốt nhất trong các hình thức best_estimator_ biến thành viên.Như chúng tôi muốn so sánh loại tốt nhất trở lại với chúng tôi một trong những tốt nhất hiện tại, chúng tôibạn phải đánh giá nó theo cùng một cách. Vì vậy, chúng tôi có thể vượt qua ShuffleSplitVí dụ bằng cách sử dụng tham số CV (đây là lý do CV nay ở GridSearchCV).Thiếu điều duy nhất là để xác định như thế nào GridSearchCV nên xác định tốt nhấtcông cụ ước tính. Điều này có thể được thực hiện bằng cách cung cấp các mong muốn điểm chức năng (bất ngờ!)tham số score_func. Chúng tôi có thể viết một mình hoặc chọn một từCác gói phần mềm sklearn.metrics. Chúng ta nên chắc chắn không đi metric.accuracydo chúng tôi mất cân bằng lớp (chúng tôi có rất nhiều ít hơn tweets có tình cảm hơn "những người trung lập). Thay vào đó, chúng tôi muốn có độ chính xác tốt và thu hồi trên cả hai cácCác lớp học: các tweets với tình cảm và tweets mà không tích cực hay tiêu cựcý kiến. Một số liệu kết hợp chính xác và thu hồi là F-biện phápsố liệu, mà được thực hiện như là metrics.f1_score: