make_scorer#

sklearn.metrics.make_scorer(score_func, *, response_method='predict', greater_is_better=True, **kwargs)[Quelle]#

Erstellt einen Scorer aus einer Leistungsmetrik oder Verlustfunktion.

Ein Scorer ist ein Wrapper um eine beliebige Metrik- oder Verlustfunktion, die mit der Signatur scorer(estimator, X, y_true, **kwargs) aufgerufen wird.

Er wird in allen scikit-learn-Estimatorn oder Funktionen akzeptiert, die einen scoring-Parameter zulassen.

Der Parameter response_method ermöglicht die Angabe, welche Methode des Estimators zur Einspeisung der Scoring-/Verlustfunktion verwendet werden soll.

Lesen Sie mehr im Benutzerhandbuch.

Parameter:

score_funccallable

Score-Funktion (oder Verlustfunktion) mit der Signatur score_func(y, y_pred, **kwargs).

response_method{“predict_proba”, “decision_function”, “predict”} oder Liste/Tupel davon, Standard=”predict”

Gibt die Antwortmethode an, die verwendet werden soll, um Vorhersagen von einem Estimator zu erhalten (d. h. predict_proba, decision_function oder predict). Mögliche Optionen sind:

wenn str, entspricht dies dem Namen der zurückzugebenden Methode;
wenn eine Liste oder ein Tupel von str, werden die Methodennamen in der Reihenfolge der Präferenz angegeben. Die zurückgegebene Methode entspricht der ersten Methode in der Liste, die von estimator implementiert wird.

Hinzugefügt in Version 1.4.

greater_is_betterbool, Standard=True

Ob score_func eine Score-Funktion ist (Standard), was bedeutet, dass hohe Werte gut sind, oder eine Verlustfunktion, was bedeutet, dass niedrige Werte gut sind. Im letzteren Fall wird das Ergebnis der score_func vom Scorer-Objekt mit negativem Vorzeichen versehen.

**kwargszusätzliche Argumente

Zusätzliche Parameter, die an score_func übergeben werden.

Gibt zurück:

scorercallable: Aufrufbares Objekt, das einen Skalarwert zurückgibt; höhere Werte sind besser.

Beispiele

>>> 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)