Python sklearn make_scorer用法及代碼示例

本文簡要介紹python語言中 sklearn.metrics.make_scorer 的用法。

用法:

sklearn.metrics.make_scorer(score_func, *, greater_is_better=True, needs_proba=False, needs_threshold=False, **kwargs)

從性能指標或損失函數中得分。

此工廠函數包裝了評分函數以在 GridSearchCV 和 cross_val_score 中使用。它接受一個評分函數，例如 accuracy_score 、 mean_squared_error 、 adjusted_rand_index 或 average_precision 並返回一個可調用函數，該函數對估計器的輸出進行評分。調用的簽名是(estimator, X, y)，其中estimator 是要評估的模型，X 是數據，y 是地麵實況標簽(或在無監督模型的情況下為 None)。

在用戶指南中閱讀更多信息。

參數：

score_func：可調用的

帶有簽名 score_func(y, y_pred, **kwargs) 的評分函數(或損失函數)。

greater_is_better：布爾，默認=真

score_func 是分數函數(默認)，表示高是好的，還是損失函數，表示低是好的。在後一種情況下，記分器對象將 sign-flip 的結果是 score_func。

needs_proba：布爾，默認=假

score_func 是否需要 predict_proba 才能從分類器中獲得概率估計。

如果為真，對於二進製 y_true ，評分函數應該接受一維 y_pred (即正類的概率，形狀 (n_samples,) )。

needs_threshold：布爾，默認=假

score_func 是否采取連續決策確定性。這僅適用於使用具有 decision_function 或 predict_proba 方法的估計器的二進製分類。

如果為真，對於二進製 y_true ，評分函數應該接受一維 y_pred(即，正類或決策函數的概率，形狀 (n_samples,) )。

例如 average_precision 或 roc 曲線下的麵積不能單獨使用離散預測來計算。

**kwargs：附加論點

要傳遞給score_func 的附加參數。

返回：

scorer：可調用的

返回標量分數的可調用對象；越大越好。

注意：

如果 needs_proba=False 和 needs_threshold=False ，分數函數應該接受預測的輸出。如果 needs_proba=True ，評分函數應該接受 predict_proba 的輸出(對於二進製 y_true ，評分函數應該接受正類的概率)。如果 needs_threshold=True ，當 decision_function 不存在時，評分函數應該接受 decision_function 或 predict_proba 的輸出。

例子：

>>> from sklearn.metrics import fbeta_score, make_scorer
>>> ftwo_scorer = make_scorer(fbeta_score, beta=2)
>>> ftwo_scorer
make_scorer(fbeta_score, beta=2)
>>> from sklearn.model_selection import GridSearchCV
>>> from sklearn.svm import LinearSVC
>>> grid = GridSearchCV(LinearSVC(), param_grid={'C': [1, 10]},
...                     scoring=ftwo_scorer)