Python 记分器功能：生成记分器/记分器功能与

在scikit的（0.18.1）文档中，我发现下面的内容有点令人困惑。似乎可以通过多种方式编写自己的评分函数。但是有什么不同呢

将

评分

参数作为：

记分器带签名的可调用对象/函数

记分器（估计量，X，y）

中也支持此选项

相反，想要一个

score\u func

作为：

带有签名的得分函数（或损失函数）

score\u func（y，y\u pred，**kwargs）

实例

GridSearchCV（评分=dummy\u scorer）

和

GridSearchCV（评分=make\u scorer（dummy\u scorer 2））

打印预期内容

def dummy_scorer(estimator, X, y):
    print X
    print y
    return 1

def dummy_scorer2(y1, y2):
    print y1
    print y2
    return 1

---

你看，scikit learn有不同的实用功能（

precision\u score、recall\u score、accurity\u score

等），可用于直接指定实际值和预测值并计算结果。即使编写自定义记分器，在大多数情况下也必须使用实际值和预测值。 因此签名必须是

（y，y_pred，…）

现在，在GridSearch或RandomizedSearch等技术中，交叉验证数据的分数必须自动计算。由于估计器和X不断变化（X因交叉验证而变化），因此预测值和相应的实际值也会变化。 因此，

scorer（估计器，X，y）

是有意义的。取估计器和

X

，调用

估计器。预测（X）

以获得预测输出，将其与实际（

y

）进行比较并计算结果

make_scorer（）

所做的只是返回一个指向实际函数的指针，该函数完成了我上面描述的所有操作

从中，我们可以验证上述内容：

Line347 : cls = _PredictScorer
          return cls(score_func, sign, kwargs)

此处

cls

是指向以下位置的函数的指针：

此外，当您在GridSearchCV中的

评分

参数中实际使用字符串值如“准确性”、“精度”等时，也可以使用make\u scorer将其首先转换为

评分器（估计器，X，y，…）

，可在

---

希望这有点道理。如果您对此有任何疑问或疑问，请随时询问。

不要获取“交叉验证数据的分数必须自动”，您的意思是自动调用实用程序函数（在GridSearch循环中？）在查看示例和整个图片后确定（\u PredictScorer）[我知道它是如何工作的。谢谢。是的，没错。我的意思是，在每个交叉验证循环中，通过调用记分器（在训练和测试数据上）自动计算分数。谢谢-记分器（估计器，X，y）不在文档中！了解它正在做

预测（X）

在

y

上得分是关键！

Line100 : y_pred = estimator.predict(X)
          if sample_weight is not None:
              return self._sign * self._score_func(y_true, y_pred, 
                                                 sample_weight=sample_weight,
                                                             **self._kwargs)
          else:
              return self._sign * self._score_func(y_true, y_pred, **self._kwargs)