文章目录
一 、使用示例
import numpy as npfrom sklearn.model_selection import train_test_splitfrom sklearn import svmfrom sklearn.model_selection import cross_val_scoretarget=odata["target"]X=odata.drop(columns="target")clf = svm.SVC(kernel='linear', C=1)scores = cross_val_score(clf,X,target, cv=5,scoring = "neg_mean_squared_error")cross_val_score(estimator, X, y,, scoring=None, cv=None, n_jobs=None, verbose=0, fit_params=None, pre_dispatch="2*n_jobs")二、参数含义
| 参数 | 解释 | 取值 |
|---|---|---|
| estimator | 使用的模型实例 | 实例化模型（SVM,XGBoost，DBDT） |
| X, y | 自变量，标签值 | 数据集 |
| soring | 评估效果 | 取值下表详述 |
| cv | 交叉验证时迭代次数 | 整数 |
| n_jobs | 同时工作的cpu个数（-1代表全部） | [-1,1,2…] |
| verbose | 日志冗长度 | - |
| int | 冗长度 | 0：不输出训练过程，1：偶尔输出，>1：对每个子模型都输出 |
| fit_params | 传递给估计器的拟合方法的参数 | - |
| pre_dispatch | 控制并行执行期间调度的作业数量。减少这个数量对于避免在CPU发送更多作业时CPU内存消耗的扩大是有用的。 | “2*n_jobs”/数值 |
三、常见的scoring取值
下两个网址可以帮助理解
https://zhuanlan.zhihu.com/p/509437755
https://scikit-learn.org/stable/modules/model_evaluation.html#scoring-parameter
| 取值 | 含义 |
|---|---|
| ‘accuracy’ | 准确度 |
| ‘precision’ | 精度 |
| ‘f1’ | f1_score对于二进制目标 |
| ‘f1_micro’ | 微观F1 |
| ‘f1_macro’ | 宏F1，二分类使用Accuracy和F1-score，多分类使用Accuracy和宏F1。 |
| ‘recall’ | 召回率 |
| ‘roc_auc’ | AUC值 |
| neg_log_loss | neg_log_loss损失，结果越接近0，表示损失越小，模型效果越好,对数似然函数 Log_loss是一种直接根据概率预测结果衡量损失的函数，和逻辑回归中的损失函数类似。对数似然函数直接指向模型最优化方向，对于那些以最优化为目的求解模型的算法来说，会天然有较好的得分。比如逻辑回归、svm等，其中逻辑回归的损失函数就是对数似然。 |
| ‘r2’ | R方，越大越好,R^2可以为负 |
| neg_mean_squared_error | 负均值平方误差，负数，越小越好，均方误差MSE的数值，其实就是neg_mean_squared_error去掉负号的数字 |
| neg_mean_absolute_error | 负绝对均值误差，MAE的负取值，现实中MSE和MAE选一个来使用就好了 |
1.分类、回归和聚类scoring参数选择
分类问题一般选择‘roc_auc’、‘neg_log_loss’、‘f1’等，根据实际需求选择。 回归问题一般选择‘neg_mean_absolute_error、neg_mean_squared_error、‘r2’等 ，根据实际需求选择。 聚类：adjusted_rand_score、completeness_score等2.f1_micro和f1_macro区别
3.负均方误差和均方误差
虽然均方误差永远为正，但是sklearn中的参数scoring下，均方误差作为评判标准时，却是计算”负均方误差“（neg_mean_squared_error）。这是因为sklearn在计算模型评估指标的时候，会考虑指标本身的性质，均方误差本身是一种误差，所以被sklearn划分为模型的一种损失(loss)。在sklearn当中，所有的损失都使用负数表示，因此均方误差也被显示为负数了。真正的均方误差MSE的数值，其实就是neg_mean_squared_error去掉负号的数字。
来源地址：https://blog.csdn.net/worther/article/details/126909270
