Ich möchte eine benutzerdefinierte Bewertungsfunktion mit folgenden Klassifizierungswahrscheinlichkeiten erstellen:

def custom_score(y_true, y_pred_proba):
    error = ...
    return error

my_scorer = make_scorer(custom_score, needs_proba=True)

gs = GridSearchCV(estimator=KNeighborsClassifier(),
                  param_grid=[{'n_neighbors': [6]}],
                  cv=5,
                  scoring=my_scorer)

Ist es eine Möglichkeit, den Schätzer, der von GridSearch mit den angegebenen Daten und Parametern angepasst wurde, an meine benutzerdefinierte Bewertungsfunktion zu übergeben? Dann könnte ich die Wahrscheinlichkeiten mit @ interpretierestimator.classes_

Beispielsweise

def custom_score(y_true, y_pred_proba, clf):
    class_labels = clf.classes_
    error = ...
    return error