Python 基于概率的GridSearchCV超参数调整随机森林分类器

刚刚开始对随机森林二元分类进行超参数调整，我想知道是否有人知道/可以建议如何根据预测的概率而不是预测的分类设置评分。理想情况下，我希望在低于概率的情况下考虑RoCuAUC（即<强> [0.2，0.6，0.7，0.1，0.0] < /强>），而不是分类（即<强> [01,1,0] 0] <强> >

---

我认为目前roc_auc正在偏离实际分类。在我开始创建自定义评分功能之前，想看看是否有更有效的方法，在此提前感谢您的帮助

使用Jarad提供的参考进行最终求解：

from sklearn.metrics import roc_auc_score
from sklearn.ensemble import RandomForestClassifier as rfc
from sklearn.grid_search import GridSearchCV

rfbase = rfc(n_jobs = 3, max_features = 'auto', n_estimators = 100, bootstrap=False)

param_grid = {
    'n_estimators': [200,500],
    'max_features': [.5,.7],
    'bootstrap': [False, True],
    'max_depth':[3,6]
}

def roc_auc_scorer(y_true, y_pred):
    return roc_auc_score(y_true, y_pred[:, 1])
scorer = make_scorer(roc_auc_scorer, needs_proba=True)

rf_fit = GridSearchCV(estimator=rfbase, param_grid=param_grid
      , scoring = scorer)

---

看看斯卡恩的。它有一个

needs_proba

param。你也许可以一起用摇动的东西？谢谢你的快速反应，这正是我要找的！如果你想把这个问题转化为一个答案，我很乐意在测试后投票：）确认工作正常，再次感谢这里的快速帮助！很高兴它能帮上忙。这取决于你，但你可能想用你发现有效的解决方案来回答你自己的问题。根据SO的说法，尽管某些“专家”不喜欢并否认这一事实，但还是有一些抱怨。我在返回roc_auc_分数（y_true，y_pred[：，1]）行中出现了“索引器：数组索引太多”错误

from sklearn.metrics import roc_auc_score
from sklearn.ensemble import RandomForestClassifier as rfc
from sklearn.grid_search import GridSearchCV

rfbase = rfc(n_jobs = 3, max_features = 'auto', n_estimators = 100, bootstrap=False)

param_grid = {
    'n_estimators': [200,500],
    'max_features': [.5,.7],
    'bootstrap': [False, True],
    'max_depth':[3,6]
}

def roc_auc_scorer(y_true, y_pred):
    return roc_auc_score(y_true, y_pred[:, 1])
scorer = make_scorer(roc_auc_scorer, needs_proba=True)

rf_fit = GridSearchCV(estimator=rfbase, param_grid=param_grid
      , scoring = scorer)