GridSearchCV 不支持多类吗？

Question

我尝试根据此处的答案将 GridSearchCV 用于多类案例：

加速预测

但我得到了价值错误， multiclass format is not supported.

如何将这种方法用于多类案例？

以下代码来自上述链接中的答案。

import numpy as np
from sklearn.datasets import make_classification
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.pipeline import make_pipeline
from sklearn.grid_search import GridSearchCV
from sklearn.metrics import accuracy_score, recall_score, f1_score, roc_auc_score, make_scorer

X, y = make_classification(n_samples=3000, n_features=5, weights=[0.1, 0.9, 0.3])

pipe = make_pipeline(StandardScaler(), SVC(kernel='rbf', class_weight='auto'))

param_space = dict(svc__C=np.logspace(-5,0,5), svc__gamma=np.logspace(-2, 2, 10))

accuracy_score, recall_score, roc_auc_score
my_scorer = make_scorer(roc_auc_score, greater_is_better=True)

gscv = GridSearchCV(pipe, param_space, scoring=my_scorer)
gscv.fit(X, y)

print gscv.best_params_

Answer 1

来自roc_auc_score的文档：

注意：此实现仅限于标签指示符格式的二元分类任务或多标签分类任务。

通过“标签指示符格式”，它们意味着每个标签值都表示为一个二进制列（而不是单个列中的唯一目标值）。您不想为您的预测器这样做，因为它可能会导致非互斥的预测（即，预测案例 p1 的标签 2 和 4，或预测案例 p2 的无标签）。

选择或自定义实现为多类问题定义明确的评分函数，例如F1 score。就我个人而言，我发现知情比 F1 分数更有说服力，并且比 roc_auc_score 更容易推广到多类问题。

Answer 2

它支持多类，您可以设置 的para scoring = f1.macro，例如：

gsearch1 = GridSearchCV(estimator = est1, param_grid=params_test1, scoring='f1_macro', cv=5, n_jobs=-1)

或者得分='roc_auc_ovr'