我试图实现手动的f1_score函数用于评估，但在代码中并没有调用手动评分函数（没有输出），反而报错：

” call() missing 1 required positional argument: ‘y_true’ “

如果我移除feval，代码可以正常运行。

def maual_scoring(y_hat, data):    print("I am here")    y_true = data.get_label()    y_hat = np.argmax(y_hat, axis =1 ) #多分类问题    return 'f1', f1_score(y_true, y_hat), Truemodel = lgb.train(    params = lgb_params.copy(),    train_set=lgb_model,    valid_sets=[lgb_model, lgb_val],    valid_names=['Train', 'Validation'],    verbose_eval=100,     feval=maual_scoring,    num_boost_round=99999,    early_stopping_rounds=100)

得到答案： 需要重塑预测结果

回答：

def maual_scoring(preds, dtrain):    labels = dtrain.get_label()    preds = preds.reshape(-1, 4)  # 我应该重塑预测结果    preds = preds.argmax(axis = 1)    f_score = f1_score(preds, labels, average = 'macro')    return 'f1_score', f_score, True

feval (callable or None, optional (default=None)) – 自定义评估函数。应接受两个参数：preds, train_data。对于多类任务，preds首先按类ID分组，然后按行ID分组。如果你想获取第j类中的第i行的预测，访问方式是preds[j * num_data + i]。注意：应返回 (eval_name, eval_result, is_higher_better) 或此类元组的列表。要忽略与使用的目标对应的默认指标，请在params中将metric参数设置为字符串”None”。

由于这是多分类问题，因此我们需要重塑预测结果以获得与model.predict_proba()类似的输出形状