d2_absolute_error_score#

sklearn.metrics.d2_absolute_error_score(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average')[源码]#

\(D^2\) 回归评分函数，表示绝对误差的解释比例。

可能最好的分数是 1.0，它也可以是负数（因为模型可能任意地差）。一个始终使用 y_true 的经验中位数作为常数预测（忽略输入特征）的模型，将得到 \(D^2\) 分数 0.0。

在用户指南中阅读更多内容。

版本 1.1 中新增。

参数:

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

真实（正确）的目标值。

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=None

样本权重。

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

定义多个输出值的聚合方式。类数组值定义用于平均分数的权重。

'raw_values': 在多输出输入情况下返回完整的误差集。
'uniform_average': 所有输出的分数以统一权重进行平均。

返回:

score浮点数或浮点数ndarray: 具有绝对误差偏差的 \(D^2\) 分数，如果 'multioutput' 是 'raw_values'，则为分数 ndarray。

备注

像 \(R^2\) 一样，\(D^2\) 分数可能为负（它实际上不必是某个量 D 的平方）。

此指标对于单个样本未定义，如果 n_samples 小于两个，将返回 NaN 值。

参考资料

[1]

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

示例

>>> from sklearn.metrics import d2_absolute_error_score
>>> y_true = [3, -0.5, 2, 7]
>>> y_pred = [2.5, 0.0, 2, 8]
>>> d2_absolute_error_score(y_true, y_pred)
0.764...
>>> y_true = [[0.5, 1], [-1, 1], [7, -6]]
>>> y_pred = [[0, 2], [-1, 2], [8, -5]]
>>> d2_absolute_error_score(y_true, y_pred, multioutput='uniform_average')
0.691...
>>> d2_absolute_error_score(y_true, y_pred, multioutput='raw_values')
array([0.8125    , 0.57142857])
>>> y_true = [1, 2, 3]
>>> y_pred = [1, 2, 3]
>>> d2_absolute_error_score(y_true, y_pred)
1.0
>>> y_true = [1, 2, 3]
>>> y_pred = [2, 2, 2]
>>> d2_absolute_error_score(y_true, y_pred)
0.0
>>> y_true = [1, 2, 3]
>>> y_pred = [3, 2, 1]
>>> d2_absolute_error_score(y_true, y_pred)
-1.0

d2_absolute_error_score#

本页