问如何从R2 GridSearchCV中获取MSE和GridSearchCV？

EN

不幸的是，现在对于GridSearchCV或任何内置的sklearn方法/对象来说，这并不简单。

尽管有关于拥有多个计分机输出的传言，但这个特性可能不会很快出现。

所以你必须自己做，有几种方法：

1)您可以查看cross_val_score的代码，并自己执行交叉验证循环，每次折叠完成后调用感兴趣的评分者。

2)不推荐你也可以从你感兴趣的得分手中建立自己的得分王，并让他们把分数作为一个数组输出。然后，您就会发现自己遇到了这里解释的问题：多个分数的交叉验证

3)既然你可以编码你自己的得分者，你就可以制作一个记分器，它输出你的一个分数(你希望GridSearchCV作出决定的那个分数)，并且把你感兴趣的其他分数存储在一个单独的地方，这个位置可能是一个静态/全局变量，甚至是一个文件。

第三条似乎最不乏味，也是最有希望的：

import numpy as np
from sklearn.metrics import r2_score, mean_squared_error
secret_mses = []

def r2_secret_mse(estimator, X_test, y_test):
    predictions = estimator.predict(X_test)
    secret_mses.append(mean_squared_error(y_test, predictions))
    return r2_score(y_test, predictions)

X = np.random.randn(20, 10)
y = np.random.randn(20)

from sklearn.cross_validation import cross_val_score
from sklearn.linear_model import Ridge

r2_scores = cross_val_score(Ridge(), X, y, scoring=r2_secret_mse, cv=5)

您将在r2_scores中找到相应的MSE分数，在secret_mses中找到相应的MSE。

请注意，如果并行的话，这可能会变得很混乱。在这种情况下，您需要将分数写到一个特定的地方，例如，在一个备忘录。

在Scikit中添加-学习0.19

多指标评分在GridSearchCV中被引入.一个广泛的例子可以找到这里。

在执行多指标评分时，您应该提供两个额外的参数：

1. 要用于评分的所有指标的列表。

为了评估多个指标，要么给出(唯一的)字符串列表，要么给出一个名为键，可调用为值的数据集。2.由于不能同时最大化所有度量，因此需要提供要优化的单个度量(或自定义的度量组合)。这是作为refit参数提供的。对于多个度量评估，这需要一个字符串来表示记分器，以便在最后找到用于修改估计器的最佳参数。 在选择最佳估计器时，除了最大值之外，还有其他考虑因素，可以将重构设置为返回给定best_index_的所选cv_results_的函数。

在您的例子中，您可能希望使用类似于

cv=GridSearchCV(DecisionTreeClassifier(random_state=42),
                  param_grid={'min_samples_split': range(2, 403, 10)},
                  scoring=['neg_mean_squared_error', 'r2'], cv=5, refit='r2')
cv.fit(x,y)

然后，您可以使用以下方法分析详细的性能：

cv.cv_results_