auto-sklearn案例解析二
度量函数-metrics
auto-sklearn的度量函数是对sklearn度量函数的封装,我们即可以使用autosklearn已经封装好的metrics函数,也可以使用autosklearn的metrics函数封装器make_scorer函数
封装我们自己的么metrics函数
使用autosklearn已经封装好的metrics函数
如果仅仅是获取的话,最简易的一种方式是直接去找源代码.你可以直接输入并点击autosklearn.metrics
从而进入该方法的__Init__.py
文件,在其中的第180行有使用make_scorer函数
进行封装的源代码:
# Standard regression scoresr2 = make_scorer('r2', sklearn.metrics.r2_score)mean_squared_error = make_scorer('mean_squared_error',sklearn.metrics.mean_squared_error,greater_is_better=False)......# Score functions that need decision valuesroc_auc = make_scorer('roc_auc', sklearn.metrics.roc_auc_score,greater_is_better=True, needs_threshold=True)......
二其中的r2
则是autosklearn分类器的默认参数.如果我们想要使用这些函数的话,也十分的简单.下面就是一个使用正确率的函数
cls.fit(X_train, y_train, metric=autosklearn.metrics.accuracy)
不过根据autosklearn中的example,我们还可以使用以下代码直接获取相应的metrics函数的名字
# Print a list of available metricsprint("Available CLASSIFICATION metrics autosklearn.metrics.*:")print("\t*" + "\n\t*".join(autosklearn.metrics.CLASSIFICATION_METRICS))print("Available REGRESSION autosklearn.metrics.*:")print("\t*" + "\n\t*".join(autosklearn.metrics.REGRESSION_METRICS))
利用autosklearn的封装器,封装我们自己的metrics函数
如同前面所写,我们使用make_scorer封装我们自己的评价函数:
def accuracy(solution, prediction):# function defining accuracyreturn np.mean(solution == prediction)def accuracy_wk(solution, prediction, dummy):# function defining accuracy and accepting an additional argumentassert dummy is Nonereturn np.mean(solution == prediction)accuracy_scorer = autosklearn.metrics.make_scorer(name="accu_add",score_func=accuracy, # 此处使用上面的那一个函数都可以greater_is_better=True,needs_proba=False,needs_threshold=False,dummy=None)cls = autosklearn.classification.\AutoSklearnClassifier(time_left_for_this_task=60,per_run_time_limit=30, seed=1)cls.fit(X_train, y_train, metric=accuracy_scorer)
如前面所示,封装我们自己的评价函数或者说度量函数一共分为两步
- 第一步,设置一个函数,参数最起码为二,格式如上
- 第二步,使用make_scorer() 方法,制作我们自己的 scorer
其他常用函数
print(automl.show_models())
:该语句的作用是展示最后我们获取的最佳模型
print(automl.sprint_statistics())
:该语句的作用是展示模型的状态,该语句输出如下
auto-sklearn results:Dataset name: digitsMetric: accuracyBest validation score: 0.991011Number of target algorithm runs: 25Number of successful target algorithm runs: 0Number of crashed target algorithm runs: 0Number of target algorithms that exceeded the memory limit: 0Number of target algorithms that exceeded the time limit: 0**中文对照:**uto-sklearn结果:数据集名称:数字度量:准确性最好的验证分数:0.991011目标算法的运行次数:25成功的目标算法的数量:0目标算法的崩溃次数:0超过内存限制的目标算法数量:0超过时间限制的目标算法的数量:0
中文翻译即学习笔记链接
- 官网首页
- AutoSklearn手册
- autosklearn案例解析一
- -
auto-sklearn案例解析二相关推荐
- Golang 基础案例集合:中文拼音转换、解析二维码、压缩 zip、执行定时任务
前言 曾经,因为不够注重基础吃了好多亏.总是很喜欢去看那些高大上的东西,却忽略了最基本的东西.然后会错误的以为自己懂的很多,但是其实是沙堆中筑高台,知道很多高大上的架构,但是基础的东西却不太了解.我觉 ...
- OOAD实践之路——真实案例解析OO理论与实践(二、第一项任务:特性列表)
查看本系列全部文章: <OOA&D实践之路--真实案例解析OO理论与实践>索引贴 第一份说明 当这个项目开始时,我们得到的关于我们要做的系统的唯一说明是一页Word文档 ...
- c++STL内建函数对象、仿函数——全面总结(附案例解析)(二十二)
这里有C++STL--全面总结详细教程(附案例解析)(持续更新中) 内建函数对象 内建函数对象意义 概念: STL内建了一些函数对象 分类: 算术仿函数 关系仿函数 逻辑仿函数 用法: 这些仿函数所产 ...
- CSS ——关于css中变形效果的案例解析
文章目录 前言 一.案例效果图 二.实现过程 1.HTML结构 2.CSS样式 总结 前言 本文主要介绍的是有关CSS中变形效果的案例解析,关于变形.动画等知识点的汇总在上一篇文章中有说过,欢迎感兴趣 ...
- 福利继续:赠书《Spring Cloud微服务-全栈技术与案例解析》
<Spring Cloud微服务-全栈技术与案例解析> 在互联网时代,互联网产品的最大特点就是需要快速发布新功能,支持高并发和大数据.传统的架构已经慢慢不能支撑互联网业务的发展,这时候微服 ...
- 【许晓笛】 EOS 智能合约案例解析(2)
详解 EOS 智能合约的 cpp 文件 之前的文章介绍了 eosio.token 智能合约的 hpp 文件,这次向大家介绍 eosio.token.cpp 文件,cpp 文件即 C++ 代码文件,智能 ...
- 【Python五篇慢慢弹(5)】类的继承案例解析,python相关知识延伸
类的继承案例解析,python相关知识延伸 作者:白宁超 2016年10月10日22:36:57 摘要:继<快速上手学python>一文之后,笔者又将python官方文档认真学习下.官方给 ...
- 资源放送丨《 Oracle RAC高并发系统的故障案例解析 - 2020云和恩墨大讲堂》PPT视频...
前段时间,墨天轮分享了直播<Oracle RAC高并发系统的故障案例解析>,在这里我们共享一下PPT和视频,供大家参考学习. 本次分享主要是跟大家讲解 Oracle RAC 的一些重要等待 ...
- 案例解析|政府信息化的BI建设应用
一.行业背景 某建设厅综合监管信息化平台,是政企业务协同的平台之一,同时兼具协作.门户.办公应用集成.用户权限管理等多项功能.在此要求基础上,选择中间件基础技术平台,可以在最大程度满足平台功能需求的前 ...
最新文章
- 【Charles】Breakpoint 断点
- 求2个数的最大公约数
- linux mp3长度,得到一个wma或mp3文件,如何用最简单的方法得到它的长度信息呢?...
- 使用Kubeadm(1.13+)快速搭建Kubernetes集群
- 有哪些不怎么火,实际上却很厉害的软件
- LVM 逻辑卷管理精讲
- bzoj 3027: [Ceoi2004]Sweet(母函数+组合数)
- Android JNI使用方法,JNI机制详解
- [深入浅出WP8.1(Runtime)]文本框(TextBox)
- 设计模式读书笔记之结构型模式
- Atitit it与互联网 的技术体系 目录 1. 概念范围 硬件 软件 应用	1 1.1. 职业分类	2 1.1.1. 软件类	2 1.1.2. 硬件类	2 1.1.3. 网络类	2 1.1.4.
- windows下引导盘安装雪豹
- 优矿量化如何完成Alpha对冲模型测试?
- Centos7系或中标麒麟ifconfig/ip addr无法显示ip地址的详细解决方法
- MediaPlayer提示“无法播放视频”
- 《软件工程导论第6版》--张海藩 牟永敏 课后答案及其详解 第5章 总体设计
- 买牛奶(南阳oj892)
- 漫画 |《帝都老板十二时辰》
- 显卡马甲对照表,另附加性能参数计算公式
- sklearn预测评估指标:混淆矩阵计算详解-附Python计算代码