我正在尝试实现一个用于插入gridsearchCV的顶部十分位召回/精确度评分函数。然而，我无法找出问题所在。我希望我的评分函数能够接受概率预测、实际标签，并理想情况下接受百分比形式的十分位阈值。然后，我将对分数进行排名，并在十分位阈值内识别转换率。例如，顶部10%人群的转换率。该转换率将是我输出的分数，分数越高越好。然而，当我运行下面的代码时，我没有得到概率分数，并且我不明白评分函数的输入是什么。下面的打印语句只返回1和0，而不是概率。

def top_decile_conversion_rate(y_prob, y_actual):    # 函数内容在此处
    print y_prob, y_actual
    return 0.5
features = pd.DataFrame({"f1":np.random.randint(1,1000,500) , "f2":np.random.randint(1,1000,500),
                          "label":[round(x) for x in np.random.random_sample(500)]})
my_scorer = make_scorer(top_decile_conversion_rate, greater_is_better=True)
gs = grid_search.GridSearchCV(
    estimator=LogisticRegression(),
    param_grid={'C': [i for i in range(1, 3)], 'class_weight': [None], 'penalty':['l2']},
    cv=2,
    scoring=my_scorer )
model = gs.fit(features[["f1","f2"]], features.label)

回答：

解决方案是在make_scorer函数中添加一个名为needs_proba=True的参数！这样可以正常工作。

def top_decile_conversion_rate(y_prob, y_actual):    # 函数内容在此处
    print "---prob--"
    print y_prob
    print "---actual--"
    print y_actual
    print "---end--"
    return 0.5
features = pd.DataFrame({"f1":np.random.randint(1,1000,500) , "f2":np.random.randint(1,1000,500),
                          "label":[round(x) for x in np.random.random_sample(500)]})
my_scorer = make_scorer(top_decile_conversion_rate, greater_is_better=True,needs_proba=True)
gs = grid_search.GridSearchCV(
    estimator=LogisticRegression(),
    param_grid={'C': [i for i in range(1, 3)], 'class_weight': [None], 'penalty':['l2']},
    cv=20,
    scoring=my_scorer )
model = gs.fit(features[["f1","f2"]], features.label)