python - 如何使用 sklearn 的 GridSearchCV 设置自己的评分以进行回归？

我曾经使用 GridSearchCV(...scoring="accuracy"...) 进行分类模型。现在我将使用 GridSearchCV 作为回归模型并使用自己的误差函数设置评分。

示例代码:

def rmse(predict, actual):
    predict = np.array(predict)
    actual = np.array(actual)

    distance = predict - actual

    square_distance = distance ** 2

    mean_square_distance = square_distance.mean()

    score = np.sqrt(mean_square_distance)

    return score

rmse_score = make_scorer(rmse)

gsSVR = GridSearchCV(...scoring=rmse_score...)
gsSVR.fit(X_train,Y_train)
SVR_best = gsSVR.best_estimator_
print(gsSVR.best_score_)

但是，我发现这种方式在错误分数最高时返回参数集。结果，我得到了最差的参数集和分数。在这种情况下，我怎样才能得到最好的估计器和分数？

概括:

分类 -> GridSearchCV(scoring="accuracy") -> best_estimaor...best

回归 -> GridSearchCV(scroing=rmse_score) -> best_estimator...worst

最佳答案

从技术上讲，这是一个越低越好的损失。您可以在 make_scorer 中打开该选项:



您还需要将输入的顺序从 rmse(predict, actual) 更改为 rmse(actual, predict)，因为这是 GridSearchCV 传递它们的顺序。所以最终的得分手将是这样的:

def rmse(actual, predict):

    ...
    ...
    return score

rmse_score = make_scorer(rmse, greater_is_better = False)

关于python - 如何使用 sklearn 的 GridSearchCV 设置自己的评分以进行回归？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/53567617/