Python 以f1为评分函数的网格搜索，错误消息数页

希望使用Gridsearch查找最佳参数，并使用f1作为评分标准

如果我删除评分功能，所有的工作都很好，我没有得到错误

这是我的密码：

from sklearn import grid_search 
parameters = {'n_neighbors':(1,3,5,10,15),'weights':('uniform','distance'),'algorithm':('ball_tree','kd_tree','brute'),'leaf_size':(5,10,20,30,50)}
reg = grid_search.GridSearchCV(estimator=neigh,param_grid=parameters,scoring="f1")
train_classifier(reg, X_train, y_train)
train_f1_score = predict_labels(reg, X_train, y_train)
print reg.best_params_
print "F1 score for training set: {}".format(train_f1_score)
print "F1 score for test set: {}".format(predict_labels(reg, X_test, y_test))

当我执行时，我会一页接一页地将其视为错误，我无法对其做出正面或反面的判断：(

ValueError回溯（最近一次调用）
在（）
3个参数={'n_邻居'：（1,3,5,10,15），'weights'：（'uniform'，'distance'），'algorithm'：（'ball_tree'，'kd_tree'，'brute'），'leaf_size'：（5,10,20,30,50）}
4 reg=网格搜索。网格搜索CV（估计器=neigh，参数网格=参数，评分=“f1”）
---->5列分类器（reg、X列、y列）
6列车f1\U分数=预测标签（reg、X\U列车、y\U列车）
7打印注册最佳参数_
列内分类器（clf、X列、y列）
5打印“培训{}…”格式（clf.\uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu
6开始=时间。时间（）
---->7 clf.装配（X_系列、y_系列）
8结束=时间。时间（）
9打印“完成！\n打印时间（秒）：{.3f}”。格式（结束-开始）
//anaconda/lib/python2.7/site-packages/sklearn/grid_search.pyc in-fit（self，X，y）
802
803         """
-->804返回自拟合（X，y，参数网格（自参数网格））
805
806
//anaconda/lib/python2.7/site-packages/sklearn/grid_search.pyc in_fit（self，X，y，parameter_iterable）
551 self.fit_参数，返回_参数=True，
552错误分数=自我错误分数）
-->553用于参数_iterable中的参数
554用于列车，在cv中进行试验）
555
//anaconda/lib/python2.7/site-packages/sklearn/externals/joblib/parallel.pyc in_u_调用（self，iterable）
802自迭代=真
803
-->804自调度一批时（迭代器）：
805通行证
806
//anaconda/lib/python2.7/site-packages/sklearn/externals/joblib/parallel.pyc在dispatch_one_批处理中（self，迭代器）
660返回错误
661其他：
-->662自我派遣（任务）
663返回真值
664
//anaconda/lib/python2.7/site-packages/sklearn/externals/joblib/parallel.pyc in_dispatch（self，batch）
568
569如果self.\u池为无：
-->570作业=立即计算机批处理（批处理）
571自我作业。附加（作业）
572自编号已发送批次+=1
//anaconda/lib/python2.7/site-packages/sklearn/externals/joblib/parallel.pyc in_u_init__;（self，batch）
181#不要延迟应用程序，以免保留输入
182#内存中的参数
-->183 self.results=batch（）
184
185 def get（自我）：
//anaconda/lib/python2.7/site-packages/sklearn/externals/joblib/parallel.pyc in____________（self）
70
71定义呼叫（自我）：
--->72返回[func（*args，**kwargs），用于self.items中的func、args、kwargs]
73
74定义（自我）：
//anaconda/lib/python2.7/site-packages/sklearn/cross_validation.pyc in_fit_和_分数（估计器、X、y、计分器、训练、测试、详细、参数、拟合参数、返回训练分数、返回参数、错误分数）
1548
1549其他：
->1550测试分数=_分数（估计员、X测试、y测试、计分员）
1551如果返回列车评分：
1552训练分数=_分数（估计员、X训练、y训练、计分员）
//anaconda/lib/python2.7/site-packages/sklearn/cross_validation.pyc in_分数（估计器、X_测试、y_测试、计分器）
1604分数=记分员（估计员，X_检验）
1605其他：
->1606分数=记分员（估计员、X_检验、y_检验）
1607如果不存在（分数、数字、数字）：
1608 raise VALUE ERROR（“评分必须返回一个数字，取而代之的是%s（%s）。”
//anaconda/lib/python2.7/site-packages/sklearn/metrics/scorer.pyc in_uuuu调用（self，估计器，X，y_真，样本重量）
88.其他：
89返回self.\u签名*self.\u分数\u函数（y\u真，y\u pred，
--->90**self._-kwargs）
91
92
//f1_分数中的anaconda/lib/python2.7/site-packages/sklearn/metrics/classification.pyc（y_真、y_pred、标签、位置标签、平均值、样本重量）
637返回fbeta_分数（y_true，y_pred，1，标签=标签，
638位置标签=位置标签，平均值=平均值，
-->639样品重量=样品重量）
640
641
//fbeta_分数中的anaconda/lib/python2.7/site-packages/sklearn/metrics/classification.pyc（y_真、y_pred、beta、标签、位置标签、平均值、样本重量）
754平均值=平均值，
755 warn_for=（'f-score'，），
-->756样品重量=样品重量）
757返回f
758
//anaconda/lib/python2.7/site-packages/sklearn/metrics/classification.pyc的精确性、召回率、核心支持率（y_真、y_pred、beta、标签、位置标签、平均值、警告、样本重量）
982其他：
983提升值错误（“位置标签=%r不是有效标签：%r”%
-->984（位置标签、当前标签））
985标签=[位置标签]
986如果标签为无：
ValueError:pos_label=1不是有效的标签：数组（['no'，'yes']，
数据类型=“| S3”）

似乎您的标签数组的值为“否”和“是”，您应该将它们转换为二进制1-0数字表示，因为您的错误表明评分函数无法理解0和1在标签数组中的位置

在不修改标签数组的情况下解决此问题的其他可能方法：

from sklearn.metrics import f1_score
from sklearn.metrics import make_scorer

f1_scorer = make_scorer(f1_score, pos_label="yes")
reg = grid_search.GridSearchCV(estimator=neigh,param_grid=parameters,scoring=f1_scorer)

---

我理解您的想法和我的错误。不幸的是，如果我使用您提出的解决方案，我仍然会遇到这些错误：

from sklearn.metrics import f1_score
from sklearn.metrics import make_scorer

f1_scorer = make_scorer(f1_score, pos_label="yes")
reg = grid_search.GridSearchCV(estimator=neigh,param_grid=parameters,scoring=f1_scorer)