在 scikit (0.18.1) 文档中，我发现接下来的内容有点令人困惑。似乎可以通过多种方式编写自己的评分函数。但有什么区别呢？

网格搜索简历 http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.GridSearchCV.html需要一个scoring论证为：

带签名的记分器可调用对象/函数scorer(estimator, X, y)

此选项也受支持模型评估文档 http://scikit-learn.org/stable/modules/model_evaluation.html#implementing-your-own-scoring-object.

反过来，make_scorer http://scikit-learn.org/stable/modules/generated/sklearn.metrics.make_scorer.html#sklearn.metrics.make_scorer想要一个score_func as a:

带签名的得分函数（或损失函数）score_func(y, y_pred, **kwargs)

Example

Both GridSearchCV(scoring=dummy_scorer) and GridSearchCV(scoring=make_scorer(dummy_scorer2))打印预期内容。

def dummy_scorer(estimator, X, y):
    print X
    print y
    return 1

def dummy_scorer2(y1, y2):
    print y1
    print y2
    return 1

你看，scikit-learn 有不同的实用函数（precision_score, recall_score, accuracy_score等），可用于直接指定实际值和预测值并计算结果。在大多数情况下，即使编写自定义评分器也必须使用实际值和预测值。 所以签名必须是(y, y_pred, ...).

现在，在网格搜索或随机搜索等技术中，交叉验证数据的分数必须是自动的。随着估计量和 X 不断变化（X 由于交叉验证而变化），预测值和相应的实际值也会变化。 所以scorer(estimator, X, y)说得通。采取估计器并X, call estimator.predict(X)要获得预测输出，请将其与实际（y）并计算结果。

What make_scorer()所做的只是返回一个指向实际函数的指针，该函数执行我上面描述的所有操作。

来自scikit-learn 中的源代码 https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/metrics/scorer.py，我们可以验证上面的事情：

Line347 : cls = _PredictScorer
          return cls(score_func, sign, kwargs)

Here cls是指向函数的指针这条线 https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/metrics/scorer.py#L75:

Line100 : y_pred = estimator.predict(X)
          if sample_weight is not None:
              return self._sign * self._score_func(y_true, y_pred, 
                                                 sample_weight=sample_weight,
                                                             **self._kwargs)
          else:
              return self._sign * self._score_func(y_true, y_pred, **self._kwargs)

另外，当您实际使用“准确度”、“精度”等字符串值时scoringGridSearchCV中的参数，那么同样，它首先被转换为scorer(estimator, X, y, ...)通过使用 make_scorer，可以在此行位于同一源文件中 https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/metrics/scorer.py#351

希望它有一定道理。如有任何疑问或疑问，请随时询问。