check_scoring#

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。

如果估计器无法评分，将抛出 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，则此函数可能会根据 allow_none 抛出错误。

scoringstr、callable、list、tuple、set 或 dict，默认为 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（参见字符串名称评分器）；
返回单个值的可调用对象（参见可调用评分器）；
None，则使用 estimator 的默认评估标准。

如果 scoring 表示多个分数，可以使用：

包含唯一字符串的列表、元组或集合；
返回字典的可调用对象，其中键是度量名称，值是度量评分器；
以度量名称为键，以可调用对象为值的字典。这些可调用对象需要具有 callable(estimator, X, y) 的签名。

allow_nonebool，默认为 False

如果未指定 scoring 并且估计器没有 score 方法，是返回 None 还是抛出错误。

raise_excbool，默认为 True

如果多度量评分中的部分评分器失败，是抛出异常还是返回错误代码。

如果设置为 True，则抛出失败评分器的异常。
如果设置为 False，则以格式化字符串形式返回失败评分器的异常详情。

这适用于 scoring 是列表、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。

1.6 版本新增。

返回：

scoring可调用对象: 一个评分器可调用对象/函数，其签名为 scorer(estimator, X, y)。

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 ...'}

check_scoring#

本页