用于分位数回归的 sklearn RandomizedSearchCV 的自定义损失函数

问题描述

我正在使用 sklearns 梯度提升回归器通过将损失指定为 quantile 来进行分位数回归。在进行 RandomizedSearchCV 时，要找到最佳超参数，但这不是一种选择。因此，我认为我需要构建自己丢失的函数，但到目前为止我还没有成功。

以下是我迄今为止构建自己的损失函数的最佳选择。我正在使用 sklearn make_scorer:

def mqloss(y_true,y_pred):
    if (alpha_global > 0) and (alpha_global < 1):
        residual = y_true - y_pred 
        return np.mean(residual * (alpha_global - (residual<0)))
    else:
        return np.nan

scorer = make_scorer(mqloss,greater_is_better=True)

下面我训练我的模型：

quantiles = [0.05,0.25,0.5,0.75,0.95]
for i in range(len(quantiles)):
    reg = GradientBoostingRegressor(random_state=42,loss='quantile',alpha=quantiles[i])
    reg_gs = RandomizedSearchCV(reg,grid_GB,random_state=42,n_iter=50,cv=5,scoring='neg_mean_squared_error')
    reg_gs.fit(X_train,y_train)
    param = reg_gs.best_params_
    print(param)

这确实可以运行，但似乎效果不佳。第 25、50、75 和 95 分位数的预测分位数值完全相同。是有错误还是我的数据很奇怪？

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）