使用 GridSearchCV 进行 GBRT 超参数调优答案

【问题标题】：GBRT Hyperparameter Tuning using GridSearchCV使用 GridSearchCV 进行 GBRT 超参数调优
【发布时间】：2015-01-03 10:17:06
【问题描述】：

我正在运行 GridSearchCV 来寻找 GradientBoostingRegressor 的最佳参数。

给出的教程是使用 MSE 进行评分。

gs_cv = GridSearchCV(est, param_grid, scoring='mean_squared_error', n_jobs=4).fit(X_train, y_train)

是否可以使用其他自己定义的评分，例如均方根对数误差 (RMSLE) 来获得最佳超参数？

def rmsle(predicted, actual, size):
    return np.sqrt(np.nansum(np.square(np.log(predicted + 1) - np.log(actual + 1)))/float(size))

【问题讨论】：

标签： scikit-learn

【解决方案1】：

您需要创建一个custom scorer。在您的情况下，它看起来像这样：

from sklearn.metrics import make_scorer

scorer = make_scorer(rmsle, greater_is_better=False, size=10)
grid = GridSearchCV(est, param_grid, scoring=scorer)

【讨论】：