GridSearchCV自定义scoring示例

GridSearchCV是一个用于自动化调参的工具，它可以通过遍历给定的参数组合来寻找最佳的模型参数。在使用GridSearchCV时，我们可以自定义评分函数来衡量模型的性能。

下面是一个GridSearchCV自定义scoring的示例：

from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC
from sklearn.metrics import make_scorer, accuracy_score

# 定义自定义评分函数
def custom_scoring(y_true, y_pred):
    # 自定义评分逻辑，这里以准确率为例
    return accuracy_score(y_true, y_pred)

# 创建SVC分类器对象
svc = SVC()

# 定义参数网格
param_grid = {'C': [0.1, 1, 10], 'kernel': ['linear', 'rbf']}

# 创建GridSearchCV对象，并指定自定义评分函数
grid_search = GridSearchCV(estimator=svc, param_grid=param_grid, scoring=make_scorer(custom_scoring))

# 使用GridSearchCV进行参数搜索和模型训练
grid_search.fit(X, y)

# 输出最佳参数和对应的评分
print("Best parameters: ", grid_search.best_params_)
print("Best score: ", grid_search.best_score_)

在上述示例中，我们首先定义了一个自定义评分函数`custom_scoring`，它计算模型的准确率。然后，我们创建了一个SVC分类器对象`svc`，并定义了参数网格`param_grid`。接下来，我们创建了一个GridSearchCV对象`grid_search`，并通过`make_scorer`函数将自定义评分函数传递给`scoring`参数。最后，我们使用`fit`方法进行参数搜索和模型训练，并输出最佳参数和对应的评分。