为什么sklearn中的cross-val-u分数会翻转度量值?

我想把这个模型从 sklearn .

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

拟合结果为 model.score (在训练集上)0.67并更改。由于无法(或我不知道如何)访问作为模型拟合的一部分执行的交叉验证的结果,因此我在同一个模型上作为单独的交叉验证运行

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

这将返回一个负数数组

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

如果信号被翻转,这似乎在与训练分数相匹配的范围内。 我已经阅读了 issue 关于交叉得分翻转给定得分函数的符号,解决方案似乎是 neg_* 我们引入了一些指标,使这种翻转变得不必要,我正在使用 neg_log_loss . 这个问题涉及到 mse 但这些论点似乎适用于 log_loss 也。有没有办法 cross_val_score 是否返回其参数中指定的相同度量值?或者这是我应该提交的bug?或者是我的误解和标志的改变仍然是可以期待的 十字记分法 ?

我希望这是一个足够具体的问题。 Sklearn devs将用户重定向到so,以解决那些不明确的bug报告或功能需求的问题。

在注释中为每个请求添加最小的repro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")

有了这段代码,它看起来不再像是度量标准的简单符号翻转。分数输出为0.59,并且 array([-0.70578452, -0.68773683, -0.68627652, -0.69731349, -0.69198876, -0.70089103, -0.69476663, -0.68279466, -0.70066003, -0.68532253]) 交叉验证分数。