我想在数据科学项目中进行预测,并通过非对称函数计算误差。自定义丢失函数sklearn
是否有可能调整的随机森林或梯度推进(的sklearn)的损失函数?
我已阅读,则需要修改.pyx文件,但我无法找到任何在我sklearn文件夹(我是在Ubuntu 14.04 LTS)。
您有什么建议吗?
我想在数据科学项目中进行预测,并通过非对称函数计算误差。自定义丢失函数sklearn
是否有可能调整的随机森林或梯度推进(的sklearn)的损失函数?
我已阅读,则需要修改.pyx文件,但我无法找到任何在我sklearn文件夹(我是在Ubuntu 14.04 LTS)。
您有什么建议吗?
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
您的链接用于评分,而不是用于培训的目标函数。 –
错了。链接到的“评分功能”可以在训练期间进行优化。 – AlexG
谢谢MMF,但我理解像米哈伊尔。我了解到,您的链接显示将构建由scikitlearn执行的k-fold交叉验证所使用的记分器。您的链接中的记分员不在增长的树过程中使用。 –