Python 为什么scikit学习中的参数搜索不需要scorer导入？

如果我想根据ROC曲线下的面积优化逻辑回归模型（例如）的正则化参数，我可以使用

GridSearchCV

获得合适的参数范围，并设置

scoring='ROC\u auc'

这可以使用sklearn.model\u selection import GridSearchCV中的

完成，而不需要包含sklearn.metrics import roc\u auc\u score中的

但是，如果我想为特定拟合数据集手动计算ROC曲线下的面积，那么我确实需要包括来自sklearn.metrics import ROC\u auc\u score的


这是怎么回事？我假设通过导入
GridSearchCV
我们在幕后导入了
roc\u auc\u分数
？不幸的是，我似乎无法在未来完成这一点-我真的很感谢你的解释
如果是这种情况，是否也意味着通过导入
GridSearchCV
我们最终会在幕后导入所有可能的评分方法
那么，如果我只导入了
GridSearchCV
，而没有导入
roc\u auc\u分数
本身，为什么我不能自己“手动”使用
roc\u auc\u分数？这不是在幕后隐含的“存在”吗


我理解这可能是一个关于python导入的更一般的问题，而不是特定于scikit learn…
GridSearchCV扩展了BaseSearchCV类。这意味着它将使用

现在，正如您在中所看到的：

它检查GridSearchCV构建期间提供的所有参数。
对于
'scoring'
参数，它调用方法
\u check\u multimetric\u scoring（）
。现在，在这个文件的顶部，您将看到许多导入

方法
\u检查\u多重度量\u评分
指向：

与跟踪方法调用类似，我们：

查看《代码》roc_auc
，我们将：

现在看看这里的参数，
roc\u auc\u得分
被发送到
make\u scorer
。那么它是从哪里进口的呢？查看此文件的顶部，您将看到以下内容：

from . import (r2_score, median_absolute_error, mean_absolute_error,
               mean_squared_error, mean_squared_log_error, accuracy_score,
               f1_score, roc_auc_score, average_precision_score,
               precision_score, recall_score, log_loss,
               balanced_accuracy_score, explained_variance_score,
               brier_score_loss)

因此，从这里，实际的评分对象被返回到GridSearchCV

现在，库使用相对导入和绝对导入，正如@Denziloe正确地说的，这些导入是该模块的本地导入，而不是全局导入

有关导入范围和名称空间的详细信息，请参见以下答案：





和
GridSearchCV扩展了BaseSearchCV类。这意味着它将使用

现在，正如您在中所看到的：

它检查GridSearchCV构建期间提供的所有参数。
对于
'scoring'
参数，它调用方法
\u check\u multimetric\u scoring（）
。现在，在这个文件的顶部，您将看到许多导入

方法
\u检查\u多重度量\u评分
指向：

与跟踪方法调用类似，我们：

查看《代码》roc_auc
，我们将：

现在看看这里的参数，
roc\u auc\u得分
被发送到
make\u scorer
。那么它是从哪里进口的呢？查看此文件的顶部，您将看到以下内容：

from . import (r2_score, median_absolute_error, mean_absolute_error,
               mean_squared_error, mean_squared_log_error, accuracy_score,
               f1_score, roc_auc_score, average_precision_score,
               precision_score, recall_score, log_loss,
               balanced_accuracy_score, explained_variance_score,
               brier_score_loss)

因此，从这里，实际的评分对象被返回到GridSearchCV

现在，库使用相对导入和绝对导入，正如@Denziloe正确地说的，这些导入是该模块的本地导入，而不是全局导入

有关导入范围和名称空间的详细信息，请参见以下答案：





而且
如果我理解正确，您只需要阅读Python如何进行模块和导入<代码>roc_auc_分数

可以通过

GridSearchCV

导入，但它将是本地的，不在全局名称空间中。感谢链接-如果我理解正确，我认为

roc_auc_score

可能正在以某种方式导入，但没有添加到我的全局符号表中-但最好确认我的理解！这将使您更容易理解：

dir（）

。如果我理解正确，您只需要了解Python是如何进行模块和导入的<代码>roc_auc_分数可以通过

GridSearchCV

导入，但它将是本地的，不在全局名称空间中。感谢链接-如果我理解正确，我认为

roc_auc_score

可能正在以某种方式导入，但没有添加到我的全局符号表中-但最好确认我的理解！这将使您更容易理解：

dir（）

。谢谢-这非常有帮助。我假设当你说“跟踪方法调用…”时，你所指的一系列调用是

\u check\u multimetric\u scoring

->

check\u scoring

->

get\u scorer

->

SCORERS

。我也花了几分钟才意识到这一点。导入可以引用同一级别的其他模块，

roc\u auc\u分数

实际上是在兄弟模块

排名.py中定义的（除非我完全误读了代码）@Nick是的，你是对的。就像linux命令一样，
from。导入
指的是同一文件夹中的文件，而
指的是来自。。导入
转到根级别。是的，但实际上是同一文件夹中文件中的方法，这让我很吃惊。事实上[未来读者注意！]您提供的其他问题的链接非常有用，因为如果不知道正确的搜索术语，就很难找到这些信息。不，我认为您弄错了。我想我解释错了<代码>从。导入

仅在文件夹中的

\u init\upy

文件下的

\uuuuuu all\uuuu

中声明的导入成功。在该文件中进行的所有导入都可以直接从中使用

。导入

。在前面的评论中，我解释了以下类型的相对导入：roc_auc_scorer = make_scorer(roc_auc_score, greater_is_better=True, needs_threshold=True)

from . import (r2_score, median_absolute_error, mean_absolute_error,
               mean_squared_error, mean_squared_log_error, accuracy_score,
               f1_score, roc_auc_score, average_precision_score,
               precision_score, recall_score, log_loss,
               balanced_accuracy_score, explained_variance_score,
               brier_score_loss)