Question

我以前使用GridSearchCV（... scoring =“ accuracy” ...）进行分类模型。现在我将对回归模型使用GridSearchCV并使用自己的误差函数设置评分。

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，我发现当错误分数最高时，通过这种方式返回参数集。结果，我得到了最差的参数集和得分。在这种情况下，如何获得最佳的估算器和得分？

摘要：

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

回归-> GridSearchCV（scroing = rmse_score）->最佳估算器...最差

Answer 1

从技术上讲这是一种损失，越低越好。您可以在make_scorer中打开该选项：

greater_is_better ：布尔值，默认值= True 是否score_func是得分函数（默认），意味着高是好的，或者是损失函数，意思是低是好的。在后一种情况下，计分器对象将签名翻转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)，因为那是GridSearchCV将传递它们的顺序。因此最终的得分手将如下所示：

def rmse(actual, predict):

    ...
    ...
    return score

rmse_score = make_scorer(rmse, greater_is_better = False)

如何使用sklearn中的GridSearchCV设置自己的得分以进行回归？

1 个答案: