如何在 GridSearchCV 中正确配置多个评估指标

GridSearchCV是sklearn中用于自动化超参数调优的核心工具，默认情况下仅支持单评估指标，只能根据单个指标的数值大小筛选最优参数组合。但在实际业务场景中，我们往往需要同时参考准确率、召回率、F1值等多个指标来评估模型表现，此时就需要对GridSearchCV进行多评估指标的配置。

多评估指标配置的两种核心方式

方式一：通过scoring参数传入字典

这种方式是最常用的多指标配置方法，直接将多个评估指标以字典形式传给GridSearchCV的scoring参数，字典的键为指标名称，值为对应的评估指标函数或者字符串别名。

from sklearn.model_selection import GridSearchCV
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
from sklearn.metrics import accuracy_score, recall_score, f1_score

# 加载数据集
data = load_iris()
X = data.data
y = data.target

# 定义模型
model = RandomForestClassifier(random_state=42)

# 定义参数网格
param_grid = {
    'n_estimators': [50, 100, 200],
    'max_depth': [3, 5, 7]
}

# 定义多个评估指标
scoring = {
    'accuracy': 'accuracy',
    'recall': 'recall_macro',
    'f1': 'f1_macro'
}

# 初始化GridSearchCV，传入多指标配置
grid_search = GridSearchCV(
    estimator=model,
    param_grid=param_grid,
    scoring=scoring,
    cv=5,
    refit='accuracy'  # 指定最终选择最优参数的参考指标
)

# 执行调参
grid_search.fit(X, y)

方式二：自定义多指标评分函数

如果sklearn内置的指标字符串别名无法满足需求，比如需要自定义加权评估指标，可以通过make_scorer构造自定义评分函数，再传入scoring字典中。

from sklearn.metrics import make_scorer

# 自定义加权准确率评分函数，假设正样本权重是负样本的2倍
def weighted_accuracy(y_true, y_pred):
    # 计算正样本和负样本的数量
    pos_count = (y_true == 1).sum()
    neg_count = (y_true != 1).sum()
    # 计算正样本和负样本的准确率
    pos_acc = accuracy_score(y_true[y_true==1], y_pred[y_true==1]) if pos_count > 0 else 0
    neg_acc = accuracy_score(y_true[y_true!=1], y_pred[y_true!=1]) if neg_count > 0 else 0
    # 加权求和
    return (pos_acc * pos_count * 2 + neg_acc * neg_count) / (pos_count * 2 + neg_count)

# 构造scorer
weighted_acc_scorer = make_scorer(weighted_accuracy)

# 配置多指标
scoring = {
    'accuracy': 'accuracy',
    'weighted_accuracy': weighted_acc_scorer,
    'f1': 'f1_macro'
}

refit参数的配置逻辑

当配置了多个评估指标后，必须通过refit参数指定最终筛选最优参数的参考指标，否则GridSearchCV无法自动确定最优参数组合，也无法调用refit()方法重新训练模型。

• 如果refit传入的是字符串，对应scoring字典中的某个指标名称，GridSearchCV会按照该指标的数值大小选择最优参数，数值越大（如果是损失类指标则越小）的参数组合会被选中。
• 如果refit传入的是可调用对象，该对象需要接收GridSearchCV的cv_results_作为参数，返回最优参数的索引，适合需要根据多个指标综合判断最优参数的场景。

import numpy as np

# 自定义refit函数，选择准确率大于0.95且F1值最大的参数组合
def custom_refit(cv_results):
    # 筛选准确率大于0.95的索引
    valid_indices = np.where(cv_results['mean_test_accuracy'] > 0.95)[0]
    if len(valid_indices) == 0:
        # 如果没有符合条件的，选择准确率最高的
        return np.argmax(cv_results['mean_test_accuracy'])
    # 在符合条件的索引中选择F1值最大的
    best_idx = valid_indices[np.argmax(cv_results['mean_test_f1'][valid_indices])]
    return best_idx

grid_search = GridSearchCV(
    estimator=model,
    param_grid=param_grid,
    scoring=scoring,
    cv=5,
    refit=custom_refit
)

多指标结果的提取方法

GridSearchCV训练完成后，所有交叉验证的评估结果都会存储在cv_results_属性中，这是一个字典结构的对象，可以通过对应的键提取不同指标的结果。

# 提取所有参数组合的平均准确率
mean_accuracy = grid_search.cv_results_['mean_test_accuracy']
# 提取所有参数组合的平均F1值
mean_f1 = grid_search.cv_results_['mean_test_f1']
# 提取最优参数对应的所有指标结果
best_accuracy = grid_search.best_score_
best_f1 = grid_search.cv_results_['mean_test_f1'][grid_search.best_index_]

print(f"最优参数: {grid_search.best_params_}")
print(f"最优参数对应的准确率: {best_accuracy:.4f}")
print(f"最优参数对应的F1值: {best_f1:.4f}")

常见问题说明

• 多个指标的方向需要一致，比如准确率和F1值都是越大越好，如果同时传入准确率和对数损失（越小越好），需要统一指标方向，比如将损失类指标取负数，保证所有指标都是越大越优。
• 如果不需要GridSearchCV自动选择最优参数，只想获取所有参数组合的多指标评估结果，可以将refit设置为False，此时grid_search.best_params_等属性会返回None，仅能提取cv_results_中的结果。
• 当使用多指标配置时，GridSearchCV的n_jobs参数可以并行计算不同参数组合的交叉验证结果，不会受到多指标配置的影响，适当调大n_jobs可以提升调参效率。

GridSearchCVsklearn多评估指标模型调参交叉验证修改时间：2026-07-01 16:36:37