.. DO NOT EDIT.
.. THIS FILE WAS AUTOMATICALLY GENERATED BY SPHINX-GALLERY.
.. TO MAKE CHANGES, EDIT THE SOURCE PYTHON FILE:
.. "auto_examples/model_selection/plot_multi_metric_evaluation.py"
.. LINE NUMBERS ARE GIVEN BELOW.

.. only:: html

    .. note::
        :class: sphx-glr-download-link-note

        :ref:`Go to the end <sphx_glr_download_auto_examples_model_selection_plot_multi_metric_evaluation.py>`
        to download the full example code. or to run this example in your browser via JupyterLite or Binder

.. rst-class:: sphx-glr-example-title

.. _sphx_glr_auto_examples_model_selection_plot_multi_metric_evaluation.py:


============================================================================
توضيح التقييم متعدد المقاييس على cross_val_score و GridSearchCV
============================================================================

يمكن إجراء البحث عن معلمات المقاييس المتعددة عن طريق ضبط معلمة "scoring"
إلى قائمة من أسماء المقاييس أو قاموس يقوم بربط أسماء المقاييس
بـ callable المقاييس.

تتوفر درجات جميع المقاييس في قاموس "cv_results_" عند المفاتيح
التي تنتهي بـ "'<اسم_المقياس>'" ('mean_test_precision'،
'rank_test_precision'، إلخ...)

تتوافق "best_estimator_"، "best_index_"، "best_score_" و "best_params_"
مع المقياس (المفتاح) الذي يتم ضبطه على خاصية "refit".

.. GENERATED FROM PYTHON SOURCE LINES 18-30

.. code-block:: Python


    # المؤلفون: مطوري scikit-learn
    # معرف الرخصة: BSD-3-Clause

    import numpy as np
    from matplotlib import pyplot as plt

    from sklearn.datasets import make_hastie_10_2
    from sklearn.metrics import accuracy_score, make_scorer
    from sklearn.model_selection import GridSearchCV
    from sklearn.tree import DecisionTreeClassifier








.. GENERATED FROM PYTHON SOURCE LINES 31-34

تشغيل GridSearchCV باستخدام مقاييس تقييم متعددة
----------------------------------------------------------


.. GENERATED FROM PYTHON SOURCE LINES 34-57

.. code-block:: Python


    X, y = make_hastie_10_2(n_samples=8000, random_state=42)

    # يمكن أن تكون المقاييس إما واحدة من سلاسل المقاييس المحددة مسبقًا أو callable مقياس،
    # مثل تلك التي يتم إرجاعها بواسطة make_scorer
    scoring = {"AUC": "roc_auc", "Accuracy": make_scorer(accuracy_score)}

    # ضبط refit='AUC'، يعيد ضبط المقياس على مجموعة البيانات الكاملة باستخدام
    # إعداد المعلمات الذي يحتوي على أفضل درجة AUC عبر التحقق من الصحة.
    # يتم توفير المقياس مع "gs.best_estimator_" إلى جانب
    # المعلمات مثل "gs.best_score_"، "gs.best_params_" و
    # "gs.best_index_"
    gs = GridSearchCV(
        DecisionTreeClassifier(random_state=42),
        param_grid={"min_samples_split": range(2, 403, 20)},
        scoring=scoring,
        refit="AUC",
        n_jobs=2,
        return_train_score=True,
    )
    gs.fit(X, y)
    results = gs.cv_results_








.. GENERATED FROM PYTHON SOURCE LINES 58-60

رسم النتائج
-------------------

.. GENERATED FROM PYTHON SOURCE LINES 60-116

.. code-block:: Python


    plt.figure(figsize=(13, 13))
    plt.title("GridSearchCV تقييم باستخدام مقاييس متعددة في نفس الوقت", fontsize=16)

    plt.xlabel("min_samples_split")
    plt.ylabel("Score")

    ax = plt.gca()
    ax.set_xlim(0, 402)
    ax.set_ylim(0.73, 1)

    # الحصول على مصفوفة numpy العادية من MaskedArray
    X_axis = np.array(results["param_min_samples_split"].data, dtype=float)

    for scorer, color in zip(sorted(scoring), ["g", "k"]):
        for sample, style in (("train", "--"), ("test", "-")):
            sample_score_mean = results["mean_%s_%s" % (sample, scorer)]
            sample_score_std = results["std_%s_%s" % (sample, scorer)]
            ax.fill_between(
                X_axis,
                sample_score_mean - sample_score_std,
                sample_score_mean + sample_score_std,
                alpha=0.1 if sample == "test" else 0,
                color=color,
            )
            ax.plot(
                X_axis,
                sample_score_mean,
                style,
                color=color,
                alpha=1 if sample == "test" else 0.7,
                label="%s (%s)" % (scorer, sample),
            )

        best_index = np.nonzero(results["rank_test_%s" % scorer] == 1)[0][0]
        best_score = results["mean_test_%s" % scorer][best_index]

        # رسم خط عمودي منقط عند أفضل درجة لذلك المقياس مع علامة x
        ax.plot(
            [
                X_axis[best_index],
            ]
            * 2,
            [0, best_score],
            linestyle="-.",
            color=color,
            marker="x",
            markeredgewidth=3,
            ms=8,
        )

        # إضافة ملاحظة لأفضل درجة لذلك المقياس
        ax.annotate("%0.2f" % best_score, (X_axis[best_index], best_score + 0.005))

    plt.legend(loc="best")
    plt.grid(False)
    plt.show()


.. image-sg:: /auto_examples/model_selection/images/sphx_glr_plot_multi_metric_evaluation_001.png
   :alt: GridSearchCV تقييم باستخدام مقاييس متعددة في نفس الوقت
   :srcset: /auto_examples/model_selection/images/sphx_glr_plot_multi_metric_evaluation_001.png
   :class: sphx-glr-single-img






.. rst-class:: sphx-glr-timing

   **Total running time of the script:** (0 minutes 9.787 seconds)


.. _sphx_glr_download_auto_examples_model_selection_plot_multi_metric_evaluation.py:

.. only:: html

  .. container:: sphx-glr-footer sphx-glr-footer-example

    .. container:: binder-badge

      .. image:: images/binder_badge_logo.svg
        :target: https://mybinder.org/v2/gh/scikit-learn/scikit-learn/main?urlpath=lab/tree/notebooks/auto_examples/model_selection/plot_multi_metric_evaluation.ipynb
        :alt: Launch binder
        :width: 150 px

    .. container:: lite-badge

      .. image:: images/jupyterlite_badge_logo.svg
        :target: ../../lite/lab/index.html?path=auto_examples/model_selection/plot_multi_metric_evaluation.ipynb
        :alt: Launch JupyterLite
        :width: 150 px

    .. container:: sphx-glr-download sphx-glr-download-jupyter

      :download:`Download Jupyter notebook: plot_multi_metric_evaluation.ipynb <plot_multi_metric_evaluation.ipynb>`

    .. container:: sphx-glr-download sphx-glr-download-python

      :download:`Download Python source code: plot_multi_metric_evaluation.py <plot_multi_metric_evaluation.py>`

    .. container:: sphx-glr-download sphx-glr-download-zip

      :download:`Download zipped: plot_multi_metric_evaluation.zip <plot_multi_metric_evaluation.zip>`


.. include:: plot_multi_metric_evaluation.recommendations


.. only:: html

 .. rst-class:: sphx-glr-signature

    `Gallery generated by Sphinx-Gallery <https://sphinx-gallery.github.io>`_