说明
scoring参数输入形式
包括字符串、可调用对象或评分函数。以下是常用的评分规则示例：
-
使用预定义的字符串指定评分规则：
- 'accuracy'：准确率（分类问题）
'precision'：精确率（分类问题）
'recall'：召回率（分类问题）
'f1'：F1分数（分类问题）
'r2'：R2分数（回归问题）
'mean_squared_error'：均方误差（回归问题）
- 'accuracy'：准确率（分类问题）
-
使用自定义的评分函数：
可以自定义一个评分函数，该函数接受真实标签和预测标签作为输入，并返回一个评分值。 -
使用可调用对象：
可以传递一个实现了scoring接口的可调用对象作为评分规则。这个可调用对象接受真实标签和预测标签作为输入，并返回一个评分值。
GridSearchCV默认的scoring
- GridSearchCV 默认的评估指标取决于所使用的模型。
- 对于许多机器学习模型，如回归和分类，评估指标可以通过指定 scoring 参数来进行选择或修改。
- 对于一些模型，默认的评估指标可以在文档中查找，例如 SVM 模型的默认评估指标是 accuracy。
- 如果没有指定 scoring 参数，GridSearchCV 将默认使用模型的默认评估指标。
- 在 sklearn 中，不同模型的默认评估指标可以在相应的文档中查找。
一些模型的默认评估指标：
- 对于分类问题，SVC 模型的默认评估指标是 accuracy（准确率），即正确分类的样本占总样本数的比例。
例子
scoring 参数可以使用多种形式指定，包括字符串（使用内置指标），可调用函数（自定义指标），或一个字典（指定不同的指标）。下面是一些示例：
- 使用内置指标：可以使用字符串指定内置指标，例如：
#这里指定使用 accuracy 作为评估指标。
from sklearn.model_selection import GridSearchCV
from sklearn.linear_model import LogisticRegression
param_grid = {'C': [0.1, 1, 10], 'penalty': ['l1', 'l2']}
clf = LogisticRegression(max_iter=1000)
grid_search = GridSearchCV(clf, param_grid, scoring='accuracy')
- 自定义指标：可以使用一个可调用函数指定自定义指标，例如：
#这里使用 make_scorer() 函数将 f1_score 转换为一个可调用的评估函数，并使用其作为评估指标。
from sklearn.metrics import make_scorer, f1_score
def custom_scorer(y_true, y_pred):
return f1_score(y_true, y_pred, average='macro')
param_grid = {'C': [0.1, 1, 10], 'penalty': ['l1', 'l2']}
clf = LogisticRegression(max_iter=1000)
grid_search = GridSearchCV(clf, param_grid, scoring=make_scorer(custom_scorer))
- 多个指标：可以使用一个字典来指定多个指标，例如：
"""
这里指定了两个指标：accuracy 和 recall，并使用 refit 参数指定在搜索过程结束后使用哪个指标来重新拟合模型。
refit这里使用 accuracy 来重新拟合模型。
"""
from sklearn.metrics import accuracy_score, recall_score, make_scorer
scoring = {'accuracy': make_scorer(accuracy_score),
'recall': make_scorer(recall_score)}
param_grid = {'C': [0.1, 1, 10], 'penalty': ['l1', 'l2']}
clf = LogisticRegression(max_iter=1000)
grid_search = GridSearchCV(clf, param_grid, scoring=scoring, refit='accuracy')