我想在 scikit learn 中实现自定义损失函数。我使用以下代码片段：
def my_custom_loss_func(y_true,y_pred):
diff3=max((abs(y_true-y_pred))*y_true)
return diff3
score=make_scorer(my_custom_loss_func,greater_ is_better=False)
clf=RandomForestRegressor()
mnn= GridSearchCV(clf,score)
knn = mnn.fit(feam,labm)
传入的参数应该是什么my_custom_loss_func？我的标签矩阵称为labm. 我想计算实际输出和预测输出（由模型）乘以真实输出之间的差异。如果我使用labm代替y_true，我应该使用什么代替y_pred？
好的，这里发生了 3 件事：
1）训练时有一个损失函数用于调整模型参数
2）有一个评分功能，用于判断模型的质量
3）有超参数调整，它使用评分功能来优化你的超参数。
所以......如果您正在尝试调整超参数，那么您在为此目的定义“损失 fxn”时处于正确的轨道上。但是，如果您正在尝试调整整个模型以使其在召回测试中表现良好 - 那么您需要召回优化器作为训练过程的一部分。这很棘手，但你可以做到......
1）打开你的分类器。让我们以 RFC 为例：https ://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html
2) 点击【来源】
3) 看看它是如何从 ForestClassifier 继承的？就在类定义中。单击该单词以跳转到它的父定义。
4) 看看这个新对象是如何从 ClassifierMixin 继承的？点击那个。
5) 看看 ClassifierMixin 类的底部是怎么说的？
from .metrics import accuracy_score
return accuracy_score(y, self.predict(X), sample_weight=sample_weight)
那是您的模型正在接受准确性培训。如果要将模型训练为“召回模型”或“精确模型”或任何模型，则需要在此时注入。这个准确度指标被烘焙到 SKlearn 中。总有一天，一个比我更好的人会将这个参数设置为模型接受的参数，但是与此同时，你必须进入你的 sklearn 安装，并将这个 accuracy_score 调整为你想要的任何值。
祝你好运！
make_scorer 的文档是这样的：
sklearn.metrics.make_scorer(score_func, greater_is_better=True, needs_proba=False,
needs_threshold=False, **kwargs)
因此，它不需要您在调用函数时传递参数。这是你问的吗？
您的 my_custom_func_loss 的参数与您的真实标签（即labm. 你可以保持现在的方式。
在内部 GridSearchCV 将调用评分函数，因此您的真实标签不会在那里发生冲突。y_pred将是从模型的输出生成的预测值。y_true将被赋予 的值labm。