1

我尝试为GridSearchCV. 这是函数的定义：

def custom_auc(ground_truth, probas_):
    fpr, tpr, _ = roc_curve(ground_truth, probas_[:, 1], pos_label=1)    
    return auc(fpr, tpr)

然后我用它来创建一个自定义记分器，命名为my_auc：

# to be standart sklearn's scorer        
my_auc = make_scorer(custom_auc, greater_is_better=True, needs_proba=True)

然后，我在 GridSearchCV 中使用这个自定义记分器：

param_grid={'C': np.logspace(-2, 2, 40)}
clf = sklearn.model_selection.GridSearchCV(linear_model.LogisticRegression(), 
                                           param_grid = param_grid, 
                                           cv = 10, 
                                           scoring = my_auc, 
                                           verbose=False,
                                           n_jobs=-1)    

best_clf = clf.fit(X_train, y_train)

拟合模型的行会引发以下错误：

IndexError：数组的索引过多

问题是预测（1 或 0）不是概率，而是传递给custom_auc. 也就是说，probas保持预测。

我对此进行了测试，并且有效：

 return sklearn.metrics.roc_auc_score(ground_truth, probas_)

我更喜欢我自己的计分器而不是现有的'roc_auc'，因为我想根据https://stackoverflow.com/a/31161137/1845408auc中建议的误报率和真正率来计算分数。

有什么帮助吗？

4

0 回答 0