cross_val_score或GridSearchCV scoring参数中使用多个自定义值方法

最新推荐文章于 2024-06-25 14:09:11 发布

zhangcuuuuuu

最新推荐文章于 2024-06-25 14:09:11 发布

阅读量1.1w

点赞数 4

分类专栏： sklearn使用文章标签： sklearn python

本文链接：https://blog.csdn.net/zhangcucmb/article/details/80653128

版权

这篇博客介绍了如何在scikit-learn（sklearn）中使用自定义评分方法，特别是在`cross_val_score`和`GridSearchCV`的`scoring`参数中。博主分享了实现自定义面积下曲线积分（KS值）的代码，并解释了自定义评分对象需要遵循的协议。此外，还展示了如何定义和应用AR值函数，并通过`make_scorer`将其整合到多指标评估中。最后，提供了在`GridSearchCV`中查看和提取最佳模型的KS值的方法。

摘要由CSDN通过智能技术生成

建模中要使用自定义的评判标准，所以在scoring参数中要使用自定义的评判方法，在网上研究了很久也没有很好的教程，就把自己最近实现的方法记录下来。第一次写。。。

首先，自定义的模型分数计算方法，曲线积分方法还没有改好，先用循环计算的面积

这里输入的y_predict为概率值

def AR( y_true, y_predict):
     
           
def KS(y_true, y_predict):  
    '计算模型的ks值，返回float结果'

  y_predict = y_predict[:,1]    
  y_predict.reshape(y_predict.shape[0],1)

  datain = pd.DataFrame({'flag':y_true, 'scores':y_predict})

if direction == 1: df = pd.DataFrame(datain).sort_values(by='scores').loc[:, ['scores', 'flag']] elif direction == -1: df = pd.DataFrame(datain).sort_values(by='scores', ascending=False).loc[:, ['scores', 'flag']] df = df.dropna() tot = y_tru