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)
传递给 my_custom_loss_func 的参数应该是什么？我的标签矩阵称为 Labm。我想计算实际输出和预测输出(通过模型)乘以真实输出之间的差值。如果我使用 labm 代替 y_true，我应该使用什么代替 y_pred？
最佳答案
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)有一个评分函数，用于判断模型的质量
3)有超参数调整，它使用评分函数来优化您的超参数。
所以...如果您尝试调整超参数，那么您为此目的定义“loss fxn”的方向是正确的。然而，如果您试图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。让我们使用 RFC 例如:https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html
2)点击[来源]
3)看看它是如何继承ForestClassifier的？就在类定义中。单击该单词可跳转到其父级定义。
4) 看看这个新对象是如何继承自 ClassifierMixin 的？单击该按钮。
5) 看看 ClassifierMixin 类的底部是怎么说的吗？
from .metrics import accuracy_score
return accuracy_score(y, self.predict(X), sample_weight=sample_weight)
这是您的模型正在接受准确性训练。如果您想将模型训练为“召回模型”或“精确模型”或任何模型，则需要在此时进行注入(inject)。该准确度指标已融入 SKlearn 中。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，但与此同时，你必须进入你的 sklearn 安装，并将这个 precision_score 调整为你想要的任何值。
祝你好运!
关于python - 在 scikit learn 中实现自定义损失函数，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/54267745/