为什么sklearn中的cross_val_score会翻转度量值？

Question

LogisticRegressionCV(
        solver="sag", scoring="neg_log_loss", verbose=0, n_jobs=-1, cv=10
    )

cross_val_score(model, X, y, cv=10, scoring="neg_log_loss")

[-0.69517214 -0.69211235 -0.64173978 -0.66429986 -0.77126878 -0.65127196
 -0.66302393 -0.65916281 -0.66893633 -0.67605681]

如果把标志翻转过来，这个范围似乎与训练分数相符。我读过一期文章中关于cross_val_score翻转给定评分函数的符号的讨论，解决方案似乎是引入neg_*度量来使这种翻转不需要，我使用的是neg_log_loss。这个问题讨论MSE，但参数似乎也适用于log_loss。有没有办法让cross_val_score返回与其参数中指定的相同度量？或者这是一个我应该归档的错误？还是我的误会和cross_val_score的符号更改？

我希望这是一个足够具体的问题。sklearn开发人员将用户重定向到SO以获取不是清晰的错误报告或功能要求的问题。

在注释中为每个请求添加最小的再现代码（sklearn v 0.19.1 python 2.7）：

from numpy.random import randn, seed
from sklearn.linear_model import LogisticRegressionCV
from sklearn.model_selection import cross_val_score

seed (0)
X = randn(100,2)
y = randn(100)>0
model = LogisticRegressionCV(
    solver="sag", scoring="neg_log_loss", verbose=0, n_jobs=-1, cv=10
)
model.fit(X=X, y=y)
model.score(X,y)

cross_val_score(model, X, y, cv=10, scoring="neg_log_loss")

Answer 1

注：编辑后与Vivek Kumar和Piccolbo富有成效的评论线程。

您发现了一个bug，该bug在0.20.0版本中得到了修复。

从更改日志中：

使用评分选项返回给定测试数据和标签的分数。

cross_val_score翻转错误或丢失度量的结果值，同时保留score度量的符号。从文档中可以看到：

所有记分器对象都遵循较高的返回值优于较低的返回值这一惯例。因此，度量模型和数据之间距离的度量，如metrics.mean_squared_error，可以作为neg_mean_squared_error，返回度量的负值。