d2_log_loss_score

sklearn.metrics.d2_log_loss_score(y_true, y_pred, *, sample_weight=None, labels=None)

\(D^2\) 评分函数，解释了对数损失的比例。

最佳可能得分为 1.0，并且可能为负（因为模型可能任意地差）。一个始终预测 y_true 中每个类别比例的模型，而忽略输入特征，其 D^2 评分为 0.0。

在用户指南中了解更多信息。

1.5 版本新增。

参数：

y_true类数组或标签指示器矩阵

n_samples 样本的实际标签。

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

预测的概率，由分类器的 predict_proba 方法返回。如果 y_pred.shape = (n_samples,)，则提供的概率被认为是正类的概率。y_pred 中的标签假定按字母顺序排列，如 LabelBinarizer 所做。

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

样本权重。

labels类数组，默认为 None

如果未提供，标签将从 y_true 推断。如果 labels 为 None 且 y_pred 的形状为 (n_samples,)，则假定标签为二元标签，并从 y_true 推断。

返回：

d2浮点数或浮点数数组

D^2 评分。

备注

这不是一个对称函数。

与 R^2 类似，D^2 评分可能为负（它不一定是量 D 的平方）。

此指标对于单个样本未明确定义，如果 n_samples 小于二，将返回 NaN 值。