GridSearchCV 、cross_val_score中scoring（模型评价标准）的自定义方法

区别于xgb.cv模型评估函数的自定义方法链接
1、xgb.cv中【metrics的自定义】，需要注意str返回值与函数名保持一致
2、GridSearchCV 中 【scoring的自定义】，需要注意函数定义后，使用make_scorer封装

1、自定义模型评估函数

# 自定义函数
def custom_eval(y_true, y_pred):
    ''' 
    func:
        自定义模型评估函数:
                GridSearchCV(scoring=custom_eval)
    para:
        y_true: 0/1_label
        y_pred: 预测结果
    return:
    	float
    '''
    
    precision,recall,threshold=metrics.precision_recall_curve(y_true,y_pred,pos_label=0)
    pr=pd.DataFrame({'precision':precision,'recall':recall})
    ret = pr[pr.precision>=0.5].recall.max()
    return ret

使用make_scorer，构建完全自定义 score

from sklearn.metrics import  make_scorer
score = make_scorer(custom_eval)

自定义scorer使用

param_test1 = {
    'max_depth':range(3,10,1),
    'min_child_weight':range(4,8,1)
    }

gsearch1 = GridSearchCV(
    estimator = clf2,           # 选择使用的模型
    param_grid = param_test1,   # 需要最优化的参数的取值，值为字典或者列表
    scoring=score,           # 模型评价标准
    n_jobs=4,                   # n_jobs: 并行数。-1：跟CPU核数一致, 1:默认值
    cv=5,                       # 交叉验证参数，默认None，使用三折交叉验证
    verbose=0,                  # 日志冗长度，int：冗长度，0：不输出训练过程，# 1：偶尔输出，>1：对每个子模型都输出。
    )

2 使用系统预定义模型评估函数

2.1 系统预定义模型评估函数如下：

参考文献：链接