Python 带有KernelDensity和自定义记分器的GridSearchCV与没有记分器的结果相同

我正在使用scikit slearn 0.14，并尝试为GridSearchCV实现一个用户定义的评分函数来进行评估

def someScore(gtruth, pred):
    pred = np.clip(pred, 0, np.inf)
    logdif = np.log(1 + gtruth) - np.log(1 + pred)
    return sin(np.sqrt(np.mean(np.square(logdif))))

neg_scorefun = make_scorer(lambda x,y:someScore(x,y))

注：我加了一个分数，所以分数排名不同于大多数其他分数，只是为了测试

现在，如果我跑

g1=GridSearchCV(KernelDensity(),param_grid,scoring=neg_scorefun).fit(X)

然后

g2=GridSearchCV(KernelDensity(),param_grid).fit(X)

然后

给我完全相同的结果。最好的参数也是相同的。不管我在函数someScore中添加了什么，它总是一样的。我希望结果会有所不同，考虑到我用固定值测试了一些分数，返回了一些负值，在上面的例子中使用了窦房结，基本上尝试了从基本事实和预测中得出的各种值

从结果来看，无论我使用什么评分，评分员都会被忽略、覆盖、不调用，无论什么

---

我错过了什么？有什么建议吗？

如果要使用自定义函数，需要定义具有以下签名的可调用函数：

def myscoringe刺激器，X，y：

---

返回np.meansestimator.predictX！=y

是否可以尝试使用当前版本0.16.0？尝试过更新，结果相同。我试着做一个g1.fitX，矢量填充。然后我得到了另一条错误消息，即KernelDensity没有“predict”属性。是否可能，使用评分函数对KD没有意义？至少在我看来这不是故意的？事情是这样的，我想用一个记分员来衡量密度估计的优劣，但现在我觉得我需要选择另一条路径。放弃将GridSearchCV与KernelDensity结合使用，对吗？等等，我对你想做的有点困惑。你的基本事实是什么？KD是一种无监督算法，您可以使用评分函数，但只能使用无监督函数。你想测量什么？基本上我想做热点检测。给定二维平面上的一组点x/y值，我要估计密度，并使用该密度导出热点位置。热点需要满足几个标准，评分函数应考虑这些标准。我在问题中提供的评分函数只是为了测试，因为我是python新手，所以我想尝试一下，了解事情是如何工作的。在评分函数和GridSearchCV的帮助下，我想为KD选择参数，以便满足我对热点的约束。这是完全可能的。创建您自己的评分对象，如下所述：这将允许您使用KD对象的任何属性。

print g1.best_score_, g2.best_score_