lightgbm 自定义metric函数

自定义LightGBM评估指标实现与应用

最新推荐文章于 2023-12-09 16:59:14 发布

原创

最新推荐文章于 2023-12-09 16:59:14 发布 · 5.3k 阅读

11 ·

CC 4.0 BY-SA版权

文章标签：

#python #开发语言 #后端

本文介绍了如何在LightGBM中自定义评估指标，通过示例展示了二分类的accuracy和多分类的f1_score实现，并提供了一个自定义的auc评估函数。在实际训练过程中，自定义的my_auc与内置auc在epoch3时出现不一致，这可能是由于内部计算细节的差异。

lgb 自定义函数

模板：

# f(preds: array, train_data: Dataset) -> name: str, eval_result: float, is_higher_better: bool
def f(preds, train_data):
    '''
    :param preds:  array, 预测值
    :param train_data:  lgb Dataset, lgb的传入数据集
    :return:
    '''
    ###  返回 (评估指标名称, 评估计算值, 是否评估值越大模型性能越好)
    return meaticname: str, eval_result: float, is_higher_better: bool

示例：

二分类 accuracy：

def accuracy(preds, train_data):
    labels = train_data.get_label()
    preds = 1. / (1. + np.exp(-preds))
    return 'accuracy', np.mean(labels == (preds > 0.5)), True

多分类 f1_score：

# 多分类 f1_score  14分类
def MultiAuc_f1score(preds, train_data):
    y_label = train_data.get_label()
    preds = preds.reshape(14,-1).T  # 14 分类
    y_pred = np.argmax(preds, axis=-1)
    multi_f1_score = f1_score(y_pred, y_label, average='macro')

    return 'MultiAuc_f1score', multi_f1_score, True

测试案例：