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
Pasar múltiples parámetros a la función pool.map () en Python Cambio de la escala de colores en la ttwig de barras marítimas imprimir el código que definió una función lambda cómo codificar una función similar a itertools.product en python 2.5 ¿Es posible hacer errores de lanzamiento de Python si el tipo de argumento pasado a la función anotada no coincide con el especificado? ¿Cuál es la forma más rápida de enviar 100,000 solicitudes HTTP en Python? cx_oracle y python 2.7 Múltiples envíos de url con Regex. Python 3: uso de tuplas en str.format () Cómo agregar / eliminar tareas periódicas dinámicamente al apio (celerybeat) Tensor de flujo incrementado nested variable_scope obtener la lista de metadatos asociados a un archivo usando python en Ubuntu ¿Cómo incrustar un terminal en una aplicación Tkinter? ¿Cómo se genera la firma para un token SAS de almacenamiento de Azure Blob en Python? twiny () en matplotlib cambia la escala del eje y

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.