如何使用 sklearn 中的 GridSearchCV 设置自己的评分以进行回归？答案

【问题标题】：How to set own scoring with GridSearchCV from sklearn for regression?如何使用 sklearn 中的 GridSearchCV 设置自己的评分以进行回归？
【发布时间】：2019-05-03 04:54:15
【问题描述】：

我曾经使用 GridSearchCV(...scoring="accuracy"...) 进行分类模型。现在我将使用 GridSearchCV 作为回归模型并使用自己的错误函数设置评分。

示例代码：

def rmse(predict, actual):
    predict = np.array(predict)
    actual = np.array(actual)

    distance = predict - actual

    square_distance = distance ** 2

    mean_square_distance = square_distance.mean()

    score = np.sqrt(mean_square_distance)

    return score

rmse_score = make_scorer(rmse)

gsSVR = GridSearchCV(...scoring=rmse_score...)
gsSVR.fit(X_train,Y_train)
SVR_best = gsSVR.best_estimator_
print(gsSVR.best_score_)

但是，我发现它在错误分数最高时返回参数集。结果，我得到了最差的参数集和分数。在这种情况下，我怎样才能得到最好的估计器和分数？

总结：

分类 -> GridSearchCV(scoring="accuracy") -> best_estimaror...best

回归 -> GridSearchCV(scroing=rmse_score) -> best_estimator...worst

【问题讨论】：

标签： python scikit-learn regression scoring gridsearchcv

【解决方案1】：

这在技术上是一种损失，越低越好。您可以在make_scorer 中打开该选项：

greater_is_better : boolean, default=True score_func 是否为得分函数（默认），表示高是好的，或者是损失函数，意味着低是好的。在后一种情况下， scorer 对象将符号翻转 score_func 的结果。

您还需要将输入的顺序从rmse(predict, actual) 更改为rmse(actual, predict)，因为这是 GridSearchCV 将传递它们的顺序。所以最终的得分手会是这样的：

def rmse(actual, predict):

    ...
    ...
    return score

rmse_score = make_scorer(rmse, greater_is_better = False)

【讨论】：

感谢您的回复！但是，在那种情况下，当 GridSearchCV.best_score_
@willPark 是的。只需反转该符号即可获得实际损失值。没有什么不同。它只是以这种方式设计的，因此单个逻辑可以处理两种类型的值（得分和损失）。