sklearn.metrics.make_scorer详解

官方说明文档：点这里
从性能指标或损失函数中创建一个记分标准。
这个函数封装了用于GridSearchCV和cross_val_score的评分函数，它接受一个评分函数，如accuracy_score、mean_squared_error、adjusted_rand_index或average_precision，并返回一个可调用的值，该值对学习器的输出进行评分。
它的使用形式如下：

sklearn.metrics.make_scorer(score_func, greater_is_better=True, needs_proba=False, needs_threshold=False, **kwargs)

它的参数如下：

score_func	一个可调用的记分函数，如sklearn.metrics.accuracy_score等，也可以是一个损失函数，如sklearn.metrics.mean_squared_error等
greater_is_better	输入的score_func为记分函数时，该值为True（默认值）；输入函数为损失函数时，该值为False；在后面这种情况中，得到的对象会对结果进行翻转，因为损失函数意味着函数值越小，拟合情况越好
needs_proba	score_func是否需要获得一个predict_proba来得到分类器的概率估计，
如果是True，对于二元的标签值，score_function需要接受的y_pred是一个一维的
needs_threshold	score_func是否具有连续的决策确定性。这只适用于使用具有decision_function或predict_proba方法的分类器的二元分类。如果为真，对于二进制y_true, score函数应该接受一维的y_pred(即，正类或决策函数的概率)。例如，平均精度或roc曲线下的面积不能使用离散预测来计算

这个函数返回的是一个可调用的记分对象。
实例如下：

model = LGBMRegressor(max_depth=5,num_leaves=10,objective="regression")
score_ = cross_val_score(model,X = X_train,y=Y_train,verbose=0,scoring=make_scorer(mean_squared_error))
print(score_)

输出结果：[0.46157155 0.47102463 0.47506401 0.44817591 0.46550807]