make_scorer

sklearn.metrics.make_scorer(score_func, *, response_method='default', greater_is_better=True, **kwargs)[source]

Создание оценщика на основе метрики производительности или функции потерь.

Оценщик — это оболочка вокруг произвольной метрики или функции потерь, которая вызывается с сигнатурой scorer(estimator, X, y_true, **kwargs).

Он принимается во всех оценщиках или функциях scikit-learn, допускающих параметр scoring.

Параметр response_method позволяет указать, какой метод оценщика должен использоваться для передачи функции оценки/функции потерь.

Подробнее см. в Руководстве пользователя.

Параметры:

score_funcвызов

Функция оценки (или функция потерь) с сигнатурой score_func(y, y_pred, **kwargs).

response_method{“predict_proba”, “decision_function”, “predict”} или список/кортеж таких строк, по умолчанию=None

Указывает метод ответа для получения прогноза от оценщика (т. е. predict_proba, decision_function или predict). Возможные варианты:

• если str, он соответствует имени метода для возврата;
• если список или кортеж str, он предоставляет имена методов в порядке предпочтения. Возвращаемый метод соответствует первому методу в списке и который реализован estimator.
• если None, он эквивалентен "predict".

Добавлен в версии 1.4.

Устарел начиная с версии 1.6: None эквивалентен ‘predict’ и устарел. Он будет удалён в версии 1.8.

greater_is_betterbool, по умолчанию=True

Является ли score_func функцией оценки (по умолчанию), что означает, что высокая оценка хорошая, или функцией потерь, что означает, что низкая оценка хорошая. В последнем случае объект оценщика инвертирует результат score_func.

**kwargsдополнительные аргументы

Дополнительные параметры, которые нужно передать score_func.

Возвращает:

scorerвызов

Объект вызова, который возвращает скалярную оценку; лучше высокая оценка.

Примеры

>>> from sklearn.metrics import fbeta_score, make_scorer
>>> ftwo_scorer = make_scorer(fbeta_score, beta=2)
>>> ftwo_scorer
make_scorer(fbeta_score, response_method='predict', beta=2)
>>> from sklearn.model_selection import GridSearchCV
>>> from sklearn.svm import LinearSVC
>>> grid = GridSearchCV(LinearSVC(), param_grid={'C': [1, 10]},
...                     scoring=ftwo_scorer)

Примеры из галереи

Основные моменты выпуска scikit-learn 1.5

Функции в деревьях градиентного бустинга на основе гистограмм

Прогнозные интервалы для регрессии градиентного бустинга

Запаздывающие признаки для прогнозирования временных рядов

Демонстрация многометрической оценки на cross_val_score и GridSearchCV

Настройка порога принятия решения для обучения с учетом стоимости