D^2 Tweedie 得分

sklearn.metrics.d2_tweedie_score(y_true, y_pred, *, sample_weight=None, power=0)

D²回归得分函数，解释的Tweedie偏差分数。

最佳得分为1.0，也可能为负值（因为模型可能任意差）。一个始终使用`y_true`经验均值作为常数预测的模型，忽略输入特征，其D²得分为0.0。

更多详情请阅读用户指南。

版本1.0中添加。

参数：

y_truearray-like of shape (n_samples,)

真实目标值。

y_predarray-like of shape (n_samples,)

预测目标值。

sample_weightarray-like of shape (n_samples,), default=None

样本权重。

powerfloat, default=0

Tweedie 幂参数。power ≤ 0 或 power ≥ 1。

较高的`p`值意味着真实目标值和预测目标值之间极端偏差的权重较低。

• power < 0：极稳定分布。要求：y_pred > 0。

• power = 0：正态分布，输出对应于r2_score。y_true 和 y_pred 可以是任何实数。

• power = 1：泊松分布。要求：y_true ≥ 0 且 y_pred > 0。

• 1 < p < 2：复合泊松分布。要求：y_true ≥ 0 且 y_pred > 0。

• power = 2：伽马分布。要求：y_true > 0 且 y_pred > 0。

• power = 3：逆高斯分布。要求：y_true > 0 且 y_pred > 0。

• 其他：正稳定分布。要求：y_true > 0 且 y_pred > 0。

返回：

zfloat or ndarray of floats

D²得分。

注释

这不是一个对称函数。

与R^2类似，D^2分数可能为负值（它实际上不必是量D的平方）。

对于单个样本，此度量未很好地定义，如果n_samples小于二，则将返回NaN值。

参考文献

[1]

Hastie, Trevor J., Robert Tibshirani 和 Martin J. Wainwright. “Statistical Learning with Sparsity: The Lasso and Generalizations.” (2015) 的公式 (3.11)。 https://hastie.su.domains/StatLearnSparsity/

示例

>>> from sklearn.metrics import d2_tweedie_score
>>> y_true = [0.5, 1, 2.5, 7]
>>> y_pred = [1, 1, 5, 3.5]
>>> d2_tweedie_score(y_true, y_pred)
0.285...
>>> d2_tweedie_score(y_true, y_pred, power=1)
0.487...
>>> d2_tweedie_score(y_true, y_pred, power=2)
0.630...
>>> d2_tweedie_score(y_true, y_true, power=2)
1.0