Desarrollo de Python
  1. Desarrollo de Python
  3. Pase el estimador a la función de puntuación personalizada a través de sklearn.metrics.make_scorer
Intereting Posts
Manipulación del color en Python. La cadena Python se imprime como Conectando dos widgets diferentes juntos en qt con python a través de un botón python: compara dos listas y devuelve las coincidencias en orden Producto cruzado de dos vectores en Python. ¿Puedo acceder a valores clave específicos en el diccionario desde la plantilla de django? trazar datos desde un archivo CSV con matplotlib Usa un gran conjunto de datos en Tensorflow Python: agrupar elementos de lista en un dict Complemento de dos en Python ¿Cómo creo un archivo en python sin sobrescribir un archivo existente? Ejecutando líneas de comando dentro de su script de Python ¿Python Selenium almacena datos en una columna específica en CSV? ¿Cómo puedo importar el módulo sqlite3 en Python 2.4? Una forma más python de iterar una lista mientras se excluye un elemento en cada iteración

Pase el estimador a la función de puntuación personalizada a través de sklearn.metrics.make_scorer

Me gustaría hacer una función de puntuación personalizada que incluya las probabilidades de clasificación de la siguiente manera: 

def custom_score(y_true, y_pred_proba): error = ... return error my_scorer = make_scorer(custom_score, needs_proba=True) gs = GridSearchCV(estimator=KNeighborsClassifier(), param_grid=[{'n_neighbors': [6]}], cv=5, scoring=my_scorer)

¿Hay alguna manera de pasar el estimador, según lo ajuste GridSearch con los datos y parámetros dados, a mi función de puntuación personalizada? Entonces podría interpretar las probabilidades usando estimator.classes_

Por ejemplo: 

 def custom_score(y_true, y_pred_proba, clf): class_labels = clf.classes_ error = ... return error

Existe una forma alternativa de hacer un anotador mencionado en la documentación . Usando este método puedo hacer lo siguiente: 

 def my_scorer(clf, X, y_true): class_labels = clf.classes_ y_pred_proba = clf.predict_proba(X) error = ... return error gs = GridSearchCV(estimator=KNeighborsClassifier(), param_grid=[{'n_neighbors': [6]}], cv=5, scoring=my_scorer)

Esto evita el uso de sklearn.metrics.make_scorer .

Según los documentos de make_scorer , recibe ** kwargs: argumentos adicionales como parámetros adicionales para pasar a score_func.

Así que solo puedes escribir tu función de puntuación como: 

 def custom_score(y_true, y_pred_proba, clf): class_labels = clf.classes_ error = ... return error

Luego usa make_scorer como: 

 my_scorer = make_scorer(custom_score, needs_proba=True, clf=clf_you_want)

El beneficio de este método es que puede pasar cualquier otro parámetro a su función de puntuación fácilmente.