注：本文是人工智能研究网的学习笔记
- Estimator对象的score方法
- 在交叉验证中使用scoring参数
- 使用sklearn.metric中的性能度量函数
Estimator对象的score方法
分类算法必须要继承ClassifierMixin类， 回归算法必须要继承RegressionMixin类，里面都有一个score
()方法。
score(self, X, y_true)函数会在内部调用predict函数获得预测响应y_predict，然后与传入的真是响应进行比较，计算得分。
使用estimator的score函数来评估模型的属性，默认情况下，分类器对应于准确率：sklearn.metrics.accuracy_score， 回归器对应于均方差： sklearn.metrics.r2_score。
在交叉验证中使用scoring参数
GridSearchCV(scoring=None)
cross_val_score(scoring=None)
...
指定在进行网格搜索或者计算交叉验证得分的时候，使用什么标准度量'estimator'的预测性能，默认是None，就是使用estimator自己的score方法来计算得分。我们可以指定别的性能度量标准，它必须是一个可调用对象，sklearn.metrics不仅为我们提供了一系列预定义的可调用对象，而且还支持自定义评估标准
| Scoring | Function |
|---|---|
| 分类 | |
| accuracy | metrics.accuracy_score |
| average_precision | metrics.average_precision_score |
| f1 | metrics.f1_score |
| f1_micro | metrics.f1_score |
| f1_macro | metrics.f1_score |
| f1_weighted | metrics.f1_score |
| f1_sample | metrics.f1_score |
| neg_log_loss | metrics.log_loss |
| precision | metrics.precision_score |
| recall | metrics.recall_score |
| roc_auc | metrics.roc_auc_score |
| 聚类 | |
| adjusted_rand_score | metrics.adjusted_rand_score |
| 回归 | |
| neg_mean_absolute_erroe | metrics.neg_mean_absolute_erroe |
| neg_mean_squared_error | metrics.neg_mean_squared_error |
| neg_median_absolute_error | metrics.neg_median_absolute_error |
| r2 | metrics.r2 |
约定： 返回值越大代表性能越好
可以使用sklearn.metrics.SCORERS返回以上的评估函数。
在交叉验证中使用自定义scoring参数
- 把sklearn.metrics中已有的度量指标封装成符合‘scoring’参数要求的形式。
Metrics模块中的很多的度量方法并没有被分配‘scoring’参数可用的名字。因为这些度量指标需要附加参数，比如：‘fbeta_score’。在这种情况下，如果我们想要使用‘fbeta_score’的话，必须要产生一个合适的scoring对象，产生可调用对象的最简单的方法就是使用‘make_scorer’,该函数会把'fbeta_score'这个函数转换成能够在模型评估中使用的可调用对象。
from sklearn.metrics import fbeta_score, make_scorer
ftwo_score = make_scorer(fbeta_score, beta=2) # 添加参数
from sklearn.model_selection import GridSearchCV
from sklearn.svm import LinearSVC
grid = GridSearchCV(LinearSVC(), param_grid={'C': [1,10]}, scoring=ftwo_score)
- 完全自定义自己的度量指标然后用'make_scorer'函数转换成符合’scoring‘参数要求的形式
from sklearn.metrics import fbeta_score, make_scorer
import numpy as np
def my_custom_loss_func(ground_truth, predictions):
diff = np.abs(ground_truth - predictions).max()
return np.log(1 + diff)
loss = make_scorer(my_custom_loss_func, greater_is_better = False)
score = make_scorer(my_custom_loss_func, greater_is_better = False)
ground_truth = [[1,1]]
predictions = [0,1]
from sklearn.dummy import DummyClassifier
clf = DummyClassifier(strategy='most_frequent', random_state = 0)
clf = clf.fit(ground_truth, predictions)
print(loss(clf, ground_truth, predictions))
print(score(clf, ground_truth, predictions))
