不能，make_scorer不支持直接传入含额外位置参数的函数；需用functools.partial预绑定或在make_scorer中以关键字传参；greater_is_better=False时选最小原始值；支持sample_weight需显式设needs_sample_weight=True；返回nan多因函数输出非法值。
make_scorer 能不能直接传入带额外参数的自定义函数
不能，make_scorer 默认不支持直接传入含位置参数（非 y_true/y_pred）的函数。比如你写了个 my_f1_score(y_true, y_pred, beta=2)，直接塞进 make_scorer(my_f1_score) 会报 TypeError: my_f1_score() missing 1 required positional argument: 'beta'。
正确做法是用 functools.partial 预绑定参数，或在调用 make_scorer 时用关键字传参：
-
from functools import partial；scorer = make_scorer(partial(my_f1_score, beta=2), greater_is_better=True) - 更推荐：直接用
make_scorer(my_f1_score, greater_is_better=True, beta=2)——make_scorer会把多余关键字自动转发给你的函数
greater_is_better=False 时，GridSearchCV 会怎么选最优模型
它不会“反转”你的指标值，而是按原始输出值排序后取最小值。比如你用 make_scorer(mean_squared_error, greater_is_better=False)，GridSearchCV 内部仍调用 mean_squared_error 得到正数（如 0.8、0.6、0.9），然后选其中最小的那个（0.6）对应的参数组合。
关键点：
立即学习“Python免费学习笔记（深入）”；
-
greater_is_better只影响“选最大还是最小”，不改变函数计算逻辑 - 别误以为设成
False就等于传-score；你自己函数返回负值，再设False，结果反而反向了 - 对自定义损失类指标（越小越好），统一用
greater_is_better=False，函数本身保持正常实现即可
自定义 scorer 里访问 sample_weight 是否可靠
可靠，但必须显式声明。默认情况下 make_scorer 不传递 sample_weight，即使你在训练时用了加权，评估阶段也不会自动带过去。
要支持权重，得在构造 scorer 时加 needs_sample_weight=True：
def weighted_mse(y_true, y_pred, sample_weight=None):
return np.average((y_true - y_pred) ** 2, weights=sample_weight)
<p>scorer = make_scorer(weighted_mse, greater_is_better=False, needs_sample_weight=True)否则 sample_weight 会是 None，导致 np.average(..., weights=None) 等价于无权重均值，和你预期不符。
为什么 cross_val_score 返回的数组全是 nan
常见原因是你的自定义函数在某次折上返回了非法值（如 nan、inf 或非标量），而 cross_val_score 对这类输出不做拦截，直接透传，最终整个结果数组被标记为 nan。
排查建议：
- 单独调用你的评分函数，输入一组小规模
y_true/y_pred，确认返回的是有限浮点数 - 检查是否用了未初始化的变量、除零、log(0)、sqrt(负数) 等操作
- 在函数开头加
assert np.all(np.isfinite(y_pred))快速定位数值异常 - 注意：
make_scorer不做类型/值校验，出错全靠你自己兜底
实际用的时候，函数健壮性比接口写法更重要——尤其当数据里有缺失或异常样本时。
