解释方差得分#

sklearn.metrics.explained_variance_score(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average', force_finite=True)[source]#

解释方差回归评分函数。

最佳分数为 1.0，较低的值表示较差的性能。

在y_true 为常数的特殊情况下，解释方差分数不是有限的：它是NaN（完美预测）或-Inf（不完美预测）。为了防止这种非有限数值污染更高层次的实验（例如网格搜索交叉验证），默认情况下，这些情况分别被替换为 1.0（完美预测）或 0.0（不完美预测）。如果force_finite设置为False，则该分数将恢复到原始的\(R^2\)定义。

注意

解释方差分数类似于R^2 score，但显着的区别在于它不考虑预测中的系统性偏移。大多数情况下，应该优先使用R^2 score。

在用户指南中阅读更多内容。

参数：

y_true形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组

真实（正确）目标值。

y_pred形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组

估计的目标值。

sample_weight形状为 (n_samples,) 的类数组，默认为 None

样本权重。

multioutput{'raw_values', 'uniform_average', 'variance_weighted'} 或形状为 (n_outputs,) 的类数组，默认为 'uniform_average'

定义多个输出分数的聚合方式。类数组值定义用于平均分数的权重。

‘raw_values’: 在多输出输入的情况下返回完整的评分集。
‘uniform_average’: 所有输出的分数以统一权重平均。
‘variance_weighted’: 所有输出的分数按每个输出的方差加权平均。

force_finite布尔值，默认为 True

标志指示是否将由常量数据导致的NaN和-Inf分数替换为实数（如果预测完美则为1.0，否则为0.0）。默认为True，这是超参数搜索过程（例如网格搜索交叉验证）的便捷设置。

1.1 版中新增。

返回：

score浮点数或浮点数的 ndarray: 如果 'multioutput' 为 'raw_values'，则为解释方差或浮点数的 ndarray。

另请参阅

R方得分: 类似的指标，但考虑了预测中的系统性偏移。

备注

这不是一个对称函数。

示例

>>> from sklearn.metrics import explained_variance_score
>>> y_true = [3, -0.5, 2, 7]
>>> y_pred = [2.5, 0.0, 2, 8]
>>> explained_variance_score(y_true, y_pred)
0.957...
>>> y_true = [[0.5, 1], [-1, 1], [7, -6]]
>>> y_pred = [[0, 2], [-1, 2], [8, -5]]
>>> explained_variance_score(y_true, y_pred, multioutput='uniform_average')
0.983...
>>> y_true = [-2, -2, -2]
>>> y_pred = [-2, -2, -2]
>>> explained_variance_score(y_true, y_pred)
1.0
>>> explained_variance_score(y_true, y_pred, force_finite=False)
nan
>>> y_true = [-2, -2, -2]
>>> y_pred = [-2, -2, -2 + 1e-8]
>>> explained_variance_score(y_true, y_pred)
0.0
>>> explained_variance_score(y_true, y_pred, force_finite=False)
-inf