为什么在scikit-learn中进行参数搜索时不需要导入计分器？

Question

如果要基于ROC曲线下的面积为逻辑回归模型（例如）优化正则化参数，可以使用GridSearchCV作为合适的参数范围并设置scoring='roc_auc' 。

这可以使用from sklearn.model_selection import GridSearchCV来完成，并且不需要包括from sklearn.metrics import roc_auc_score 。

但是，如果要为特定的拟合数据集手动计算ROC曲线下的面积，则需要from sklearn.metrics import roc_auc_score 。

• 这是如何运作的？ 我认为通过导入GridSearchCV我们可以在后台导入roc_auc_score吗？ 不幸的是，我似乎无法在源代码中完全遵循它-我真的很感谢一个解释。
• 如果是这样，是否还意味着通过导入GridSearchCV我们最终将所有可能的计分方法导入幕后？
• 如果仅导入了GridSearchCV而不是roc_auc_score本身，为什么为什么roc_auc_score “手动”使用roc_auc_score ？ 它不是在幕后暗中“存在”吗？

我赞赏这可能是关于python导入的更一般的问题，而不是特定于scikit-learn ...

Answer 1

GridSearchCV扩展了BaseSearchCV类。 这意味着它将使用BaseSearchCV中定义的fit()函数 。

因此，现在您可以在源代码中看到此处 ：

    ...
    ...
    scorers, self.multimetric_ = _check_multimetric_scoring(
    self.estimator, scoring=self.scoring)
    ...
    ...

它在此处检查GridSearchCV构建期间提供的所有参数。 对于'scoring'参数，其调用方法_check_multimetric_scoring() 。 现在，在此文件的顶部，您将看到许多导入。

_check_multimetric_scoring方法指向scorer.py文件 ：

同样跟踪方法调用，我们将到达此处 ：

SCORERS = dict(explained_variance=explained_variance_scorer,
               r2=r2_scorer,
               neg_median_absolute_error=neg_median_absolute_error_scorer,
               neg_mean_absolute_error=neg_mean_absolute_error_scorer,
               neg_mean_squared_error=neg_mean_squared_error_scorer,
               neg_mean_squared_log_error=neg_mean_squared_log_error_scorer,
               accuracy=accuracy_scorer, roc_auc=roc_auc_scorer,
               ...
               ...
 ...
 ...

查看roc_auc ，我们将到达此处 ：

roc_auc_scorer = make_scorer(roc_auc_score, greater_is_better=True,
needs_threshold=True)

现在在这里查看参数， roc_auc_score发送到make_scorer 。 那么它是从哪里进口的呢？ 查看此文件的顶部，您将看到以下内容：

from . import (r2_score, median_absolute_error, mean_absolute_error,
               mean_squared_error, mean_squared_log_error, accuracy_score,
               f1_score, roc_auc_score, average_precision_score,
               precision_score, recall_score, log_loss,
               balanced_accuracy_score, explained_variance_score,
               brier_score_loss)

因此，从这里开始，实际的计分对象将返回到GridSearchCV。

现在，该库正在使用相对和绝对导入，正如@Denziloe正确说的那样，这些导入在该模块中是本地的，而不是全局导入。

有关导入范围和名称空间的更多信息，请参见以下答案：

• Python“导入”范围
• Python：具有模块导入的命名空间

而这个python文档页面