在使用 scikit-learn 在管道中安裝 ML model 后，如何將精度與 score() function 中的另一個性能指標交換？

Question

這是我的代碼的一部分：

def ml_pipeline(self):
    if self.control_panel['ml_pipeline_switch']:
        self.model = make_pipeline(self.preprocessor, self.control_panel['ml_algo'][1])
        self.model.fit(self.X_train, self.y_train)

def ml_pipeline_result(self, show_control_panel_switch=True): 
    if self.control_panel['ml_pipeline_switch']:
        print('Model score (training set): %.3f' % self.model.score(self.X_train, self.y_train))
        print('Model score (test set): %.3f' % self.model.score(self.X_test, self.y_test))

score()似乎產生了准確性。 如何將准確率與F1-macro或recall-macro等其他性能指標交換？ 我在文檔中找不到任何東西。

Answer 1

對您的問題的簡短回答是否定的，除非您破解並重新定義/覆蓋scikit-learn函數。

當您使用pipe.score()時，它會從位於管道末尾的分類器中調用 score 方法。

現在，幕后發生的事情是scikit-learn中的所有分類器都基於ClassifierMixin class，其中.score()是通過accuracy_score定義的，這是硬編碼的（參見此處）。