首先得明确：scikit-learn对自定义损失/评分函数的参数有硬性约定，你的my_custom_loss_func必须按以下规则定义参数：

• 第一个参数是真实标签数组（对应你代码里的y_true，也就是你的labm）
• 第二个参数是模型的预测结果数组（对应y_pred，是模型跑出来的预测值）

针对你的具体疑问逐个解答： #

1. 参数传入问题：
   你完全不需要手动把labm塞给my_custom_loss_func——当你用make_scorer把它包装成评分器，再传给GridSearchCV后，scikit-learn会在训练/评估过程中自动把真实标签（也就是你fit时传入的labm）和模型实时生成的预测值，按顺序传入这个函数。

   如果要手动模拟计算的话，y_pred就是模型训练后对特征矩阵feam的预测结果，比如clf.fit(feam, labm).predict(feam)。

2. 原代码里的几个坑要修正：

   • 你用了Python内置的max()处理数组，这会报错！因为y_true和y_pred是numpy数组，得用np.max()（记得先导入numpy）
   • make_scorer里的greater_is_better=False多了个空格，语法错误，要写成greater_is_better=False
   • GridSearchCV的参数不对，必须传param_grid（你要调参的参数网格），不然网格搜索根本不知道要搜什么

修正后的完整可运行代码示例 #

import numpy as np
from sklearn.metrics import make_scorer
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import GridSearchCV

def my_custom_loss_func(y_true, y_pred):
    # 按你的需求：真实值与预测值的绝对差 × 真实值，取最大值
    diff_product = np.abs(y_true - y_pred) * y_true
    return np.max(diff_product)

# 包装成评分器：因为是损失函数，值越小模型越好，所以greater_is_better设为False
custom_scorer = make_scorer(my_custom_loss_func, greater_is_better=False)

# 定义模型和要调的参数网格（示例参数，你可以根据自己的需求修改）
rf_reg = RandomForestRegressor()
param_grid = {'n_estimators': [50, 100], 'max_depth': [3, 5]}

# 初始化网格搜索
grid_search = GridSearchCV(estimator=rf_reg, param_grid=param_grid, scoring=custom_scorer)
# 训练模型
trained_model = grid_search.fit(feam, labm)

额外小提示 #

• 自定义函数的参数顺序绝对不能搞反，必须是y_true在前，y_pred在后，这是scikit-learn框架的硬性要求
• 如果想手动验证损失函数的计算逻辑，可以这么做：

  # 先训练一个基础模型得到预测值
  rf_reg.fit(feam, labm)
  y_pred = rf_reg.predict(feam)
  # 手动调用损失函数
  calculated_loss = my_custom_loss_func(labm, y_pred)
  print(calculated_loss)
  

内容的提问来源于stack exchange，提问作者Moonzarin Esha