python - 如何在 scikit-learn 的 LogisticRegressionCV 调用中将参数传递给评分函数

Question

问题

我正在尝试使用 scikit-learn 的 LogisticRegressionCV与 roc_auc_score作为评分指标。

from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_auc_score

clf = LogisticRegressionCV(scoring=roc_auc_score)

但是当我尝试拟合模型时 (clf.fit(X, y))，它会抛出一个错误。

 ValueError: average has to be one of (None, 'micro', 'macro', 'weighted', 'samples')

太棒了。很清楚发生了什么:roc_auc_score 需要使用指定的 average 参数调用，根据 its documentation和上面的错误。所以我试过了。

clf = LogisticRegressionCV(scoring=roc_auc_score(average='weighted'))

但事实证明，roc_auc_score 不能单独使用可选参数调用，因为这会引发另一个错误。

TypeError: roc_auc_score() takes at least 2 arguments (1 given)

问题

关于如何使用 roc_auc_score 作为 LogisticRegressionCV 的评分指标，以便为评分函数指定参数，有什么想法吗？

我在 scikit-learn 的 GitHub 存储库中找不到关于这个问题的 SO 问题或对这个问题的讨论，但肯定有人以前遇到过这个问题？

Answer 1

你可以使用make_scorer，例如

from sklearn.linear_model import LogisticRegressionCV
from sklearn.metrics import roc_auc_score, make_scorer
from sklearn.datasets import make_classification

# some example data
X, y = make_classification()

# little hack to filter out Proba(y==1)
def roc_auc_score_proba(y_true, proba):
    return roc_auc_score(y_true, proba[:, 1])

# define your scorer
auc = make_scorer(roc_auc_score_proba, needs_proba=True)

# define your classifier
clf = LogisticRegressionCV(scoring=auc)

# train
clf.fit(X, y)

# have look at the scores
print clf.scores_