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' 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 报错。

scoringstr、可调用对象、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

如果 scoring 代表多个分数，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；

  • 键为度量名称，值为可调用对象的字典。可调用对象需要具有签名 callable(estimator, X, y)。

allow_nonebool，默认为 False

如果未指定 scoring 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

是否抛出异常（如果多度量评分中的一部分评分器失败）或返回错误代码。

  • 如果设置为 True，则抛出失败评分器的异常。

  • 如果设置为 False，则将失败评分器的异常详细信息格式化为字符串作为结果传递。

这适用于 scoring 是 list、tuple、set 或 dict 的情况。如果 scoring 是 str 或可调用对象，则忽略。

版本 1.6 中新增。

返回:
scoring可调用对象

具有签名 scorer(estimator, X, y) 的评分器可调用对象/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 ...'}
在本页