sklearn基于make_scorer函数构建自定义损失函数或者评估指标
Posted Data+Science+Insight
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了sklearn基于make_scorer函数构建自定义损失函数或者评估指标相关的知识,希望对你有一定的参考价值。
sklearn基于make_scorer函数构建自定义损失函数或者评估指标
# 导入需要的包和库
# Load libraries
from sklearn.metrics import make_scorer, r2_score
from sklearn.model_selection import train_test_split
from sklearn.linear_model import Ridge
from sklearn.datasets import make_regression
# 使用make_regression函数构建仿真数据;
# 使用train_test_split函数进行数据划分;
# Generate features matrix and target vector
X, y = make_regression(n_samples = 100,
n_features = 3,
random_state = 1)
# Create training set and test set
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.10, random_state=1)
# 构建岭回归模型并训练;
# Create ridge regression object
classifier = Ridge()
# Train ridge regression model
以上是关于sklearn基于make_scorer函数构建自定义损失函数或者评估指标的主要内容,如果未能解决你的问题,请参考以下文章
sklearn基于make_scorer函数为Logistic模型构建自定义损失函数并可视化误差图(lambda selection)和系数图(trace plot)+代码实战
如何在sklearn中使用make_scorer自定义评分功能
GridSearchCV 的 sklearn 中的自定义“k 精度”评分对象
python基于sklearn编程实现交叉验证的ROC曲线绘制自定义AUC的有效小数位数(sklearn中RocCurveDisplay函数的默认有效位数为2位且不可以修改)