mean_absolute_error#
- sklearn.metrics.mean_absolute_error(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average')[源]#
平均绝对误差回归损失。
平均绝对误差是一个非负浮点值，最佳值为 0.0。更多信息请参阅《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’} 或形状为 (n_outputs,) 的类数组，默认为 ‘uniform_average’
定义多个输出值的聚合方式。类数组值定义用于平均误差的权重。
- ‘raw_values’
对于多输出输入，返回完整的误差集。
- ‘uniform_average’
所有输出的误差均以统一权重平均。
- 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 输出为非负浮点数。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...
