r2_score#

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

\(R^2\)（决定系数）回归评分函数。

最佳可能分数为 1.0，它也可以是负数（因为模型可能任意地差）。在真实 y 值非恒定的一般情况下，一个总是预测平均 y 值而忽略输入特征的恒定模型将获得 0.0 的 \(R^2\) 分数。

在 y_true 为常数的特殊情况下，\(R^2\) 分数不是有限的：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字污染更高层级的实验，例如网格搜索交叉验证，默认情况下，这些情况分别被替换为 1.0（完美预测）或 0.0（不完美预测）。您可以将 force_finite 设置为 False 以阻止此修复。

注意：当预测残差的均值为零时，\(R^2\) 分数与 Explained Variance score 相同。

详情请参阅用户指南。

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，默认值为 None

样本权重。

multioutput{‘raw_values’, ‘uniform_average’, ‘variance_weighted’}，形状为 (n_outputs,) 的类数组或 None，默认值为 'uniform_average'

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

‘raw_values’

在多输出输入情况下，返回完整的分数集。

‘uniform_average’

所有输出的分数以统一权重进行平均。

‘variance_weighted’

所有输出的分数被平均，并根据每个单独输出的方差进行加权。

0.19 版中的变化：multioutput 的默认值为 'uniform_average'。

force_finite布尔值，默认为 True

指示是否应将因常量数据产生的 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，这对于超参数搜索过程（例如网格搜索交叉验证）来说是一个方便的设置。

1.1 版中新增。

返回:
z浮点数或浮点数 ndarray

如果 ‘multioutput’ 为 ‘raw_values’，则为 \(R^2\) 分数或分数 ndarray。

注意

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（它不一定是量 R 的平方）。

此度量对于单个样本未明确定义，如果 n_samples 小于两个，则将返回 NaN 值。

参考

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
在本页

本页