Python 执行randomizedSearchCV时传递了多个评估指标

我目前正在玩一个关于

xgboost

中超参数优化的玩具示例。在以下示例中，我将执行以下步骤：

从sklearn加载iris数据集，并将其拆分为训练集和测试集

声明我要探索的参数网格

鉴于问题的多标签分类性质，我想根据f1分数评估我的模型。现在，为了做到这一点，我声明了一个

xgb\u f1

方法（给定的f1分数不在xgboost中的默认评估度量中），以将算法目标度量与交叉验证之一对齐

使用

f1\u宏

作为我的评分函数（与分类器相同），实例化并拟合随机搜索CV

现在，在进行搜索时，在培训实例中会弹出以下消息：

Multiple eval metrics have been passed: 'validation_0-f1' will be used for early stopping.

一切似乎都训练得很顺利，但为什么

merror

不会被

eval\u metric

覆盖，并在我的评估集上进行计算

此外，从xgboost文档中可以看出，默认情况下，算法通过最小化给定的目标度量来工作，如果使用f1分数，我是否应该更改此行为

完整的工作示例

将xgboost导入为xgb
从sklearn.model_selection导入训练测试_split，随机化搜索CV
从sklearn.metrics导入f1\U分数
从sklearn.dataset导入加载
将numpy作为np导入
数据=加载
x=data.data
y=data.target
x_系列，x_测试，y_系列，y_测试=系列测试分割（x，y，测试尺寸=0.33）
参数网格={
“n_估计量”：[100200300500600800]，
“最大深度”：[2,4,8,16,32,70,100,150]，
“最小儿童体重”：[1]，
“子样本”：[1]
}
def xgb_f1（y，t，阈值=0.5）：
t=t.获取标签（）
y_bin=（y>阈值）.astype（int）
y_-bin=np.argmax（y_-bin，轴=1）
返回“f1”，f1分数（t，y_bin，average=“宏”）
拟合参数={
“早停轮”：42，
“评估集”：[[x_测试，y_测试]]，
“评估指标”：xgb\u f1
}
clf=xgb.xgb分类器（objective=“multi:softmax”）
grid=RandomizedSearchCV（clf，param_grid，n_jobs=-1，cv=2，verbose=1，scoring=“f1_宏”）
grid.fit（x_列，y_列，**fit_参数，verbose=True）
打印（f“最佳f1分数：{grid.Best_分数}”）
打印（f“最佳参数：{grid.best_params}”）

尝试在参数中使用

“禁用默认评估指标”：1

，

这样做了，我尝试将该参数传递给

参数网格

和

拟合参数

，并将其直接传递给估计器。谢谢