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
¿Cómo emerger plot / 3d plot desde dataframe? pyodbc en SQL Server – ¿Cómo puedo hacer una inserción y recuperar el ID de fila? Convertir una tupla de color RGB en un código de seis dígitos, en Python Python: Importar un módulo con el mismo nombre que una función TransactionManagementError “No puede ejecutar consultas hasta el final del bloque ‘atómico’ mientras usa señales, pero solo durante la prueba de unidad ¿Cómo creo ventanas secundarias con Python tkinter? instala pip3 para conda Django: pasar un queryset a otra vista con HttpResponseRedirect ¿Cómo funciona la indexación de listas? Cómo cambiar los valores del gráfico de barras a porcentajes (Matplotlib) Opción ponderada corta y simple Exponenciales en python x. ** y vs math.pow (x, y) ¿Por qué se cuelga Paramiko si lo usas mientras cargas un módulo? cómo establecer la clave principal al escribir un dataframe pandas en una tabla de base de datos sqlite usando df.to_sql Comparando dos objetos

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.