检查评分器#

sklearn.metrics.check_scoring(estimator=None, scoring=None, *, allow_none=False, raise_exc=True)[source]#

根据用户选项确定评分器。

如果无法对估计器进行评分，则会引发 TypeError。

参数：

estimator实现“fit”方法的估计器对象或 None，默认为 None

用于拟合数据的对象。如果为None，则此函数可能会出错，具体取决于allow_none。

scoringstr、callable、list、tuple、set 或 dict，默认值=None

要使用的评分器。如果scoring表示单个分数，可以使用

单个字符串（参见评分参数：定义模型评估规则）；
一个可调用对象（参见可调用评分器），它返回单个值。

如果scoring表示多个分数，可以使用

唯一字符串的列表、元组或集合；
一个返回字典的可调用对象，其中键是指标名称，值是指标评分器；
一个字典，其中指标名称作为键，可调用对象作为值。这些可调用对象需要具有签名callable(estimator, X, y)。

如果为 None，则使用提供的估计器对象的score方法。

allow_nonebool，默认值=False

如果未指定scoring并且估计器没有score方法，则是否返回 None 或引发错误。

raise_excbool，默认值=True

是否引发异常（如果多指标评分中的部分评分器失败）或返回错误代码。

如果设置为True，则引发失败评分器的异常。
如果设置为False，则异常详细信息的格式化字符串将作为失败评分器(s)的结果传递。

这适用于scoring为列表、元组、集合或字典的情况。如果scoring是字符串或可调用对象，则忽略此参数。

1.6 版本中新增。

返回:

scoringcallable: 具有签名scorer(estimator, X, y)的可调用评分器对象/函数。

示例

>>> from sklearn.datasets import load_iris
>>> from sklearn.metrics import check_scoring
>>> from sklearn.tree import DecisionTreeClassifier
>>> X, y = load_iris(return_X_y=True)
>>> classifier = DecisionTreeClassifier(max_depth=2).fit(X, y)
>>> scorer = check_scoring(classifier, scoring='accuracy')
>>> scorer(classifier, X, y)
0.96...

>>> from sklearn.metrics import make_scorer, accuracy_score, mean_squared_log_error
>>> X, y = load_iris(return_X_y=True)
>>> y *= -1
>>> clf = DecisionTreeClassifier().fit(X, y)
>>> scoring = {
...     "accuracy": make_scorer(accuracy_score),
...     "mean_squared_log_error": make_scorer(mean_squared_log_error),
... }
>>> scoring_call = check_scoring(estimator=clf, scoring=scoring, raise_exc=False)
>>> scores = scoring_call(clf, X, y)
>>> scores
{'accuracy': 1.0, 'mean_squared_log_error': 'Traceback ...'}