使用python中的hypopt包在GridSearch函数中指定评分指标

我正在使用hypopt包中的Gridsearch函数使用指定的验证集进行超参数搜索。分类的默认指标似乎是准确性（不是很确定）。这里我想用F1成绩作为衡量标准。我不知道应该在哪里指定度量标准。我看了文档，但有点困惑

熟悉hypopt包的人知道我怎么做吗？先谢谢你

from hypopt import GridSearch

log_reg_params = {"penalty": ['l1'], 'C': [0.001, 0.01]}
opt = GridSearch(model=LogisticRegression())
opt.fit(X_train, y_train, log_reg_params, X_val, y_val)

---

对于您使用的任何模型，

hypopt

包的默认度量是

score（）

函数，因此在您的情况下，默认为准确性的是

logistic回归（）.score（）

如果通过

pip install hypopt--upgrade

将hypopt包升级到1.0.8版，则可以在

GridSearch.fit（）

的

scoring

参数中指定您选择的任何指标，例如，

fit（scoring='f1'）

。下面是一个基于使用F1度量的代码的简单工作示例：

from hypopt import GridSearch

param_grid = {"penalty": ['l1'], 'C': [0.001, 0.01]}
opt = GridSearch(model=LogisticRegression(), param_grid = param_grid)
# This will use f1 score as the scoring metric that you optimize.
opt.fit(X_train, y_train, X_val, y_val, scoring='f1')

hypopt

支持几乎所有

sklearn

支持的评分功能

• 对于分类，

  hypopt

  支持以下指标（作为字符串）：“准确度”、“brier_分数损失”、“平均精度”、“f1”、“f1_微观”、“f1_宏观”、“f1_加权”、“负对数损失”、“精度”、“召回率”或“roc_auc”
• 对于回归，

  hypopt

  支持：“解释方差”、“负均值绝对误差”、“负均值平方误差”、“负均值平方对数误差”、“负中值绝对误差”、“r2”

您还可以创建自己的度量

您的_custom_score_func（y_true，y_pred）

，方法是将其包装到如下对象中：

from sklearn.metrics import make_scorer
scorer = make_scorer(your_custom_score_func)
opt.fit(X_train, y_train, X_val, y_val, scoring=scorer)

您可以在下面的

hypopt.GridSearch.fit（）

docstring中了解更多信息：

您可以在此处了解有关创建自己的自定义评分标准的更多信息：

• 例如：
• 源代码：

---

非常感谢您的详细回答！还有一个问题，hypopt和hyperopt包一样吗？很好-如果答案正确，就给它打分并投票。回答你的问题——一点也不。Hypopt是一个通用软件包，您可以随时为任何模型找到最佳参数设置。Hypopt是唯一一个用验证集优化参数的简单python包。然而，hyperopt针对贝叶斯-高斯过程的特定情况实现了一种树搜索算法。有许多用于贝叶斯超参数优化的软件包，hyperopt可能是一个不错的软件包，我不知道，因为我没有使用过它@泽斯兰刚刚投了赞成票。谢谢。我以为你也是这本书的作者hyperopt@zesla注意，您需要升级到1.0.7版，1.0.6中有一个减号错误。现已修复：）