在没有范围技巧的情况下将额外的论点传递给通用的启用

Question

编辑：

如果我在答案中建议使用的make_scorer解决方法，这是完整的追溯...

`File "________python/anaconda-2.7.11-64/lib/python2.7/site-packages/spyder/utils/site/sitecustomize.py", line 880, in runfile
    execfile(filename, namespace)
  File ""________python/anaconda-2.7.11-64/lib/python2.7/site-packages/spyder/utils/site/sitecustomize.py", line 94, in execfile
    builtins.execfile(filename, *where)
  File ""________/main_"________.py", line 43, in <module>
    "_________index.fit(X,Y ,g=g,L=L)
  File ""________/Core.py", line 95, in fit
    X_preprocessed=self.preprocessing.fit_transform(X,y)
  File ""________python/anaconda-2.7.11-64/lib/python2.7/site-packages/sklearn/pipeline.py", line 303, in fit_transform
    return last_step.fit_transform(Xt, y, **fit_params)
  File ""________/python/anaconda-2.7.11-64/lib/python2.7/site-packages/sklearn/base.py", line 497, in fit_transform
    return self.fit(X, y, **fit_params).transform(X)
  File "Base/Base.py", "________
    score_func_ret = self.score_func(X, y)
TypeError: __call__() takes at least 4 arguments (3 given)`

---

我正在使用Sklearn管道。

custom_filter=GenericUnivariateSelect(Custom_Score,mode='MinScore',param=0.9)   
custom_filter._selection_modes.update({'MinScore': SelectMinScore})
MyProcessingPipeline=Pipeline(steps=[...
                           ('filter_step', None),
                           ....])
ProcessingParams.update({'filter_step':custom_filter})
MyProcessingPipeline.set_params(**ProcessingParams)

其中SelectMinScore是自定义BaseFilter。

我需要基于Custom_Score执行单变量功能选择，必须接收一个额外的参数，在此处称为xx

def Custom_Score(X,Y,XX=_XX ):
      # do stuff
      return my_score

不幸的是，Afaik Sklearn API不允许通过管道步骤的参数的参数传递。

我尝试了

MyProcessingPipeline({'filter_step':custom_filter(XX=_XX)})

但这打破了通过级联的论点（我相信）。

到目前为止，我已经通过编写包装器来解决此问题，其中_xx是我需要的数据，不幸的是，在定义时，它需要在函数的范围内。因此，我最终在main函数中定义了函数，以便_xx存在并且可以传递。

def Custom_Score_Wrapped(X,Y):
            return Custom_Score(X,Y,XX=_XX )

我认为这是一个非常肮脏的解决方法。

做到这一点的正确方法是什么？

Answer 1

您可以在调用make_scorer（）函数时简单地传递额外的争论。例如，您检查此链接。在示例中，它使用FBETA_SCORE。现在，FBETA需要一个附加参数，beta，该参数在调用Make_scorer（）函数时设置为：

ftwo_scorer = make_scorer(fbeta_score, beta=2)

因此，在您的情况下，这应该有效：

def Custom_Score(X,Y,XX):
  # do stuff
  return my_score
my_scorer = make_scorer(Custom_Score,XX=_XX)