scikit-learn 的交叉验证评分默认遵循“越大越好”。如果业务指标是误差或损失，直接把正的损失函数当评分器会把方向弄反。用 make_scorer(greater_is_better=False) 包装后，可以在交叉验证中核对返回的负分，并在报告时把符号转回正的业务损失。
准备环境与教学数据
以下代码已在 Windows 的 Python 3.11 独立环境运行。文中数据是人为构造或库自带的教学样本，不代表任何业务系统的效果；例子不调用在线大模型。
在空目录安装依赖，把完整代码保存为 demo.py，运行 python demo.py。使用现有 Python 环境时，先核对依赖版本。
python -m pip install numpy==2.4.6 scikit-learn==1.9.1先用两条手算样本定方向
本文自定义“低估罚3倍、高估罚1倍”的平均绝对损失：真值10、预测8为低估2，罚6；真值10、预测12为高估2，罚2，平均业务损失为4。这个倍数是教学设定，真实场景必须由业务代价和量纲决定。
make_scorer 在 greater_is_better=False 时返回负的损失给搜索与交叉验证，使分数越大越好。程序手算这两条记录并断言为4，再用60条人工回归数据跑3折，打印每折原生负 MAE 和自定义负分。
报告时还原可读的损失
代码把 test_business_score 乘-1，另打印平均正损失；读者看到负分不应误以为模型“有负误差”。使用 GridSearchCV 选模型时也是同样方向：较大的负分代表较低的损失。
自定义评分器只改变选择准则，不改变训练数据或模型优化目标。若业务损失依赖样本金额、分组或阈值，应明确输入与验证方式；不能把任意训练字段偷偷传入测试评分器。
完整可运行代码
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.metrics import make_scorer
from sklearn.model_selection import KFold, cross_validate
def asymmetric_mae(truth, prediction):
error = np.asarray(truth) - np.asarray(prediction)
penalty = np.where(error > 0, 3 * np.abs(error), np.abs(error))
return float(np.mean(penalty))
hand = asymmetric_mae([10, 10], [8, 12])
assert np.isclose(hand, 4.0)
print("hand_checked_positive_loss", hand)
scorer = make_scorer(asymmetric_mae, greater_is_better=False)
x = np.arange(60, dtype=float)
X = x.reshape(-1, 1)
y = 5 + 0.4*x + 2*np.sin(x/5)
cv = KFold(n_splits=3, shuffle=True, random_state=21)
result = cross_validate(LinearRegression(), X, y, cv=cv,
scoring={"mae": "neg_mean_absolute_error",
"business": scorer})
neg_mae = result["test_mae"]
neg_business = result["test_business"]
assert np.all(neg_mae <= 0) and np.all(neg_business <= 0)
print("fold_negative_mae", np.round(neg_mae, 3).tolist())
print("fold_negative_business", np.round(neg_business, 3).tolist())
print("mean_positive_business_loss",
round(float(-np.mean(neg_business)), 3))
运行结果与核对
下列是本文代码在上述环境的实际输出。更换运行环境时，先核对输入、代码和断言，再比较输出数值。
hand_checked_positive_loss 4.0
fold_negative_mae [-1.4, -1.159, -1.42]
fold_negative_business [-1.526, -2.497, -3.932]
mean_positive_business_loss 2.652先核对手算损失为4，再确认两组三折评分均为非正值，mean_positive_business_loss 为取反后的正数。若自定义函数输出的是收益而不是损失，应使用相反的 greater_is_better 设置，先用小样本手算方向再进搜索。
适用边界
三倍惩罚和60条数据均为教学设定，不代表任何行业真实损失。这个评分器不保证模型训练目标与业务损失一致；样本依赖、时间顺序和权重口径仍要另行验证。
常见问题
为什么交叉验证里输出负 MAE？
因为 scikit-learn 评分统一按越大越好选择，损失指标在评分阶段取负。给业务读者报告误差时再取反，并标清单位和计算口径。
参考资料
以下接口行为依据官方文档核对于 2026 年 10 月 1 日；本文的运行结果仅覆盖上述教学输入。
Ai菜鸟网。发布者：AI小管家，转载请注明出处：https://www.alyyhw.com/31772.html
