我试图在GridSearchCV的scoring参数中使用log_loss参数来调整这个多类（6个类别）的分类器。我不明白如何给它一个label参数。即使我给它sklearn.metrics.log_loss，它在交叉验证的每次迭代中都会发生变化，所以我不明白如何给它labels参数？

我使用的是Python v3.6和Scikit-Learn v0.18.1

如何使用GridSearchCV和log_loss来调整多类模型？

我的类表示：

1    312    183    284    195    176    22Name: encoding, dtype: int64

我的代码：

param_test = {"criterion": ["friedman_mse", "mse", "mae"]}gsearch_gbc = GridSearchCV(estimator = GradientBoostingClassifier(n_estimators=10),                         param_grid = param_test, scoring="log_loss", n_jobs=1, iid=False, cv=cv_indices)gsearch_gbc.fit(df_attr, Se_targets)

这是错误的结尾部分，完整的错误在这里 https://pastebin.com/1CshpEBN：

ValueError: y_true contains only one label (1). Please provide the true labels explicitly through the labels argument.

更新： 只需使用这个来基于@Grr创建评分器

log_loss_build = lambda y: metrics.make_scorer(metrics.log_loss, greater_is_better=False, needs_proba=True, labels=sorted(np.unique(y)))

回答：

我的假设是你的数据分割中y_true只有一个类标签。虽然这根据你发布的分布来看似乎不太可能，但我认为这是可能的。虽然我之前没有遇到过这种情况，但在[sklearn.metrics.log_loss](http://scikit-learn.org/stable/modules/generated/sklearn.metrics.log_loss.html)中，如果所有标签都相同，则需要提供label参数。文档这一部分的措辞也表明，如果不传递labels，该方法会假设为二分类。

正如你正确假设的，你应该传递log_loss作为scorer=sklearn.metrics.log_loss(labels=your_labels)