Python中如何自定义Scikit-learn评价指标_通过make

不能，make_scorer不支持直接传入含额外位置参数的函数；需用functools.partial预绑定或在make_scorer中以关键字传参；greater_is_better=false时选最小原始值；支持sample_weight需显式设needs_sample_weight=true；返回nan多因函数输出非法值。

python中如何自定义scikit-learn评价指标_通过make_scorer函数

make_scorer 能不能直接传入带额外参数的自定义函数

不能，make_scorer 默认不支持直接传入含位置参数（非 y_true/y_pred）的函数。比如你写了个 my_f1_score(y_true, y_pred, beta=2)，直接塞进 make_scorer(my_f1_score) 会报 TypeError: my_f1_score() missing 1 required positional argument: 'beta'。

正确做法是用 functools.partial 预绑定参数，或在调用 make_scorer 时用关键字传参：

from functools import partial；scorer = make_scorer(partial(my_f1_score, beta=2), greater_is_better=True)
更推荐：直接用 make_scorer(my_f1_score, greater_is_better=True, beta=2) —— make_scorer 会把多余关键字自动转发给你的函数

greater_is_better=False 时，GridSearchCV 会怎么选最优模型

它不会“反转”你的指标值，而是按原始输出值排序后取最小值。比如你用 make_scorer(mean_squared_error, greater_is_better=False)，GridSearchCV 内部仍调用 mean_squared_error 得到正数（如 0.8、0.6、0.9），然后选其中最小的那个（0.6）对应的参数组合。

关键点：

greater_is_better 只影响“选最大还是最小”，不改变函数计算逻辑
别误以为设成 False 就等于传 -score；你自己函数返回负值，再设 False，结果反而反向了
对自定义损失类指标（越小越好），统一用 greater_is_better=False，函数本身保持正常实现即可

自定义 scorer 里访问 sample_weight 是否可靠

可靠，但必须显式声明。默认情况下 make_scorer 不传递 sample_weight，即使你在训练时用了加权，评估阶段也不会自动带过去。

要支持权重，得在构造 scorer 时加 needs_sample_weight=True：

testing-python

使用pytest编写和评估有效的Python测试。适用于编写测试、审查测试代码、调试测试失败或提高测试覆盖率。

下载

def weighted_mse(y_true, y_pred, sample_weight=None):
    return np.average((y_true - y_pred) ** 2, weights=sample_weight)
<p>scorer = make_scorer(weighted_mse, greater_is_better=False, needs_sample_weight=True)</p>

否则 sample_weight 会是 None，导致 np.average(..., weights=None) 等价于无权重均值，和你预期不符。