自定义损失函数 sklearn答案

【问题标题】：Customize loss-function sklearn自定义损失函数 sklearn
【发布时间】：2017-04-04 21:21:26
【问题描述】：

我想在一个数据科学项目中进行预测，误差是通过非对称函数计算出来的。

是否可以调整随机森林或梯度提升（sklearn）的损失函数？

我已阅读需要修改 .pyx 文件，但我在我的 sklearn 文件夹中找不到任何文件（我在 ubuntu 14.04 LTS 上）。

你有什么建议吗？

【问题讨论】：

标签： python scikit-learn

【解决方案1】：

是的，可以调整。例如：

class ExponentialPairwiseLoss(object):
    def __init__(self, groups):
        self.groups = groups

    def __call__(self, preds, dtrain):
        labels = dtrain.get_label().astype(np.int)
        rk = len(np.bincount(labels))
        plus_exp = np.exp(preds)
        minus_exp = np.exp(-preds)
        grad = np.zeros(preds.shape)
        hess = np.zeros(preds.shape)
        pos = 0
        for size in self.groups:
            sum_plus_exp = np.zeros((rk,))
            sum_minus_exp = np.zeros((rk,))
            for i in range(pos, pos + size, 1):
                sum_plus_exp[labels[i]] += plus_exp[i]
                sum_minus_exp[labels[i]] += minus_exp[i]
            for i in range(pos, pos + size, 1):
                grad[i] = -minus_exp[i] * np.sum(sum_plus_exp[:labels[i]]) +\
                          plus_exp[i] * np.sum(sum_minus_exp[labels[i] + 1:])
                hess[i] = minus_exp[i] * np.sum(sum_plus_exp[:labels[i]]) +\
                          plus_exp[i] * np.sum(sum_minus_exp[labels[i] + 1:])
            pos += size
        return grad, hess

【讨论】：

一旦你像上面那样定义了一个类，你如何将它作为参数传递给 Sklearn 中的分类器？谢谢
如何将其集成到模型本身中？

【解决方案2】：

您无需更改任何文件中的任何内容。

修改.py 文件通常是个坏主意，应该避免这样做。

如果您想创建自己的评分函数，here 是指向 sklearn 的文档的链接，其中显示了如何执行此操作。

【讨论】：

您的链接用于评分，而不是用于训练的目标函数。
错了。可以在训练期间优化链接的“评分功能”。
感谢 MMF，但我像米哈伊尔一样理解。我了解到您的链接显示构建由 scikitlearn 执行的 k 折交叉验证使用的记分器。您链接中的记分器不用于生长树过程。
Alex Miller 展示了如何为线性回归定义自定义目标函数（它只是根据任意损失函数计算误差）。 alex.miller.im/posts/…
目标函数决定了如何更新/优化系数。评分函数选择哪一组优化系数相对于其他优化系数组“更好”。我不确定仅自定义其中一个是否可以实际实现类似的优化系数集。