平均绝对误差#

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

平均绝对误差回归损失。

更多信息请参见用户指南。

参数：

y_truearray-like of shape (n_samples,) or (n_samples, n_outputs)

真实目标值。

y_predarray-like of shape (n_samples,) or (n_samples, n_outputs)

预测目标值。

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

样本权重。

multioutput{‘raw_values’, ‘uniform_average’} or array-like of shape (n_outputs,), default=’uniform_average’

定义多个输出值的聚合方式。类似数组的值定义用于平均误差的权重。

‘raw_values’: 在多输出输入的情况下返回完整的误差集合。
‘uniform_average’: 所有输出的误差都以统一权重进行平均。

返回:

loss浮点数或浮点数数组

如果 multioutput 为 ‘raw_values’，则分别返回每个输出的平均绝对误差。如果 multioutput 为 ‘uniform_average’ 或一个权重 ndarray，则返回所有输出误差的加权平均值。

MAE 输出是非负浮点数。最佳值为 0.0。

示例

>>> from sklearn.metrics import mean_absolute_error
>>> y_true = [3, -0.5, 2, 7]
>>> y_pred = [2.5, 0.0, 2, 8]
>>> mean_absolute_error(y_true, y_pred)
0.5
>>> y_true = [[0.5, 1], [-1, 1], [7, -6]]
>>> y_pred = [[0, 2], [-1, 2], [8, -5]]
>>> mean_absolute_error(y_true, y_pred)
0.75
>>> mean_absolute_error(y_true, y_pred, multioutput='raw_values')
array([0.5, 1. ])
>>> mean_absolute_error(y_true, y_pred, multioutput=[0.3, 0.7])
0.85...

图库示例#