mean_squared_log_error#

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

均方对数误差回归损失。

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

估计目标值。

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

样本权重。

multioutput{‘raw_values’, ‘uniform_average’} 或形状为 (n_outputs,) 的类数组，默认值=’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’: 当输入为多输出格式时，返回完整的误差集。
‘uniform_average’: 所有输出的误差以统一权重平均。

返回:

loss浮点数或浮点数 ndarray: 一个非负浮点值（最佳值为 0.0），或一个浮点值数组，其中每个元素对应一个单独的目标。

示例

>>> from sklearn.metrics import mean_squared_log_error
>>> y_true = [3, 5, 2.5, 7]
>>> y_pred = [2.5, 5, 4, 8]
>>> mean_squared_log_error(y_true, y_pred)
0.039...
>>> y_true = [[0.5, 1], [1, 2], [7, 6]]
>>> y_pred = [[0.5, 2], [1, 2.5], [8, 8]]
>>> mean_squared_log_error(y_true, y_pred)
0.044...
>>> mean_squared_log_error(y_true, y_pred, multioutput='raw_values')
array([0.00462428, 0.08377444])
>>> mean_squared_log_error(y_true, y_pred, multioutput=[0.3, 0.7])
0.060...

mean_squared_log_error#

本页