Python sklearn-交叉验证与类子集的精确评分

我有一个用于分类的数据集，有3个类标签

[0,1,2]

我想运行交叉验证并尝试几种估算方法，但我感兴趣的是只对第1类和第2类的精度进行评分。我不关心0类的精度，也不希望它的得分偏离CV优化。我也不关心任何课程的召回。换句话说，我想确保无论何时预测1或2，它都是非常有信心的

所以问题是，我如何运行

cross\u val\u score

并告诉它的评分函数忽略0类的精度

更新：根据接受的答案，下面是一个示例答案代码：

def custom_precision_score(y_true,y_pred):
  precision_tuple, recall_tuple, fscore_tuple, support_tuple = metrics.precision_recall_fscore_support(y_true, y_pred)
  precision_tuple = precision_tuple[1:]
  support_tuple = support_tuple[1:]
  weighted_precision = np.average(precision_tuple, weights=support_tuple)
  return weighted_precision

custom_scorer = metrics.make_scorer(custom_precision_score)

scores = cross_validation.cross_val_score(clf, featuresArray, targetArray, cv=10, scoring=custom_scorer)

---

cross\u val\u score

包括一个可以使用

make\u scorer

。你可以在自定义的评分函数中设置你要测试的组

score\u func（y，y\u pred，**kwargs）

，该函数由

make\u scorer

cross\u val\u score

调用一个scorer可调用的对象来定义你的评分。很好，我用示例答案代码更新了这个问题。我认为会有一个更短的方法，例如

precision\u score

本身实现的东西，但这个方法同样有效：）