R方得分#

sklearn.metrics.r2_score(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average', force_finite=True)[source]#

决定系数 \(R^2\) 回归评分函数。

最佳得分为 1.0，也可能为负值（因为模型可以任意差）。在真实 y 值非常数的一般情况下，一个始终预测平均 y 值而忽略输入特征的常数模型将获得 0.0 的 \(R^2\) 得分。

在 y_true 为常数的特殊情况下，\(R^2\) 得分不是有限的：它要么是 NaN（完美预测）要么是 -Inf（不完美预测）。为了防止此类非有限数值污染诸如网格搜索交叉验证之类的更高级别实验，默认情况下，这些情况分别替换为 1.0（完美预测）或 0.0（不完美预测）。您可以将 force_finite 设置为 False 以防止此修复操作。

注意：当预测残差均值为零时，\(R^2\) 得分与方差解释得分 相同。

更多信息请阅读 用户指南。

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'}, 形状为 (n_outputs,) 的数组或 None，默认为 'uniform_average'

定义多个输出分数的聚合方式。数组值定义用于平均分数的权重。默认为“uniform_average”。

‘raw_values’

对于多输出输入，返回完整的得分集。

‘uniform_average’

所有输出的得分都以统一权重平均。

‘variance_weighted’

所有输出的得分都以每个输出的方差为权重进行平均。

0.19 版本中已更改： multioutput 的默认值为 'uniform_average'。

force_finitebool，默认为 True

标志指示是否将由于常量数据导致的 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 版本中添加。

返回:
z浮点数或浮点数数组

如果 'multioutput' 为 'raw_values'，则为 \(R^2\) 分数或分数数组。

备注

这不是一个对称函数。

与大多数其他分数不同，\(R^2\) 分数可能为负数（它实际上不必是数量 R 的平方）。

对于单个样本，此指标没有明确定义，如果 n_samples 小于两个，则将返回 NaN 值。

参考文献

示例

>>> from sklearn.metrics import r2_score
>>> y_true = [3, -0.5, 2, 7]
>>> y_pred = [2.5, 0.0, 2, 8]
>>> r2_score(y_true, y_pred)
0.948...
>>> y_true = [[0.5, 1], [-1, 1], [7, -6]]
>>> y_pred = [[0, 2], [-1, 2], [8, -5]]
>>> r2_score(y_true, y_pred,
...          multioutput='variance_weighted')
0.938...
>>> y_true = [1, 2, 3]
>>> y_pred = [1, 2, 3]
>>> r2_score(y_true, y_pred)
1.0
>>> y_true = [1, 2, 3]
>>> y_pred = [2, 2, 2]
>>> r2_score(y_true, y_pred)
0.0
>>> y_true = [1, 2, 3]
>>> y_pred = [3, 2, 1]
>>> r2_score(y_true, y_pred)
-3.0
>>> y_true = [-2, -2, -2]
>>> y_pred = [-2, -2, -2]
>>> r2_score(y_true, y_pred)
1.0
>>> r2_score(y_true, y_pred, force_finite=False)
nan
>>> y_true = [-2, -2, -2]
>>> y_pred = [-2, -2, -2 + 1e-8]
>>> r2_score(y_true, y_pred)
0.0
>>> r2_score(y_true, y_pred, force_finite=False)
-inf