d2_absolute_error_score#

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

\(D^2\) 回归分数函数，绝对误差解释的比例。

可能的最佳分数为1.0，它也可以是负数（因为模型可能任意地差）。一个总是使用 y_true 的经验中位数作为常数预测，而忽略输入特征的模型，其 \(D^2\) 分数为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) 的类数组对象

真实（正确）的目标值。

y_pred形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组对象

估计的目标值。

sample_weightshape 为 (n_samples,) 的 array-like, default=None

样本权重。

multioutput{‘raw_values’, ‘uniform_average’} 或形状为 (n_outputs,) 的类数组对象, default=’uniform_average’

定义了多输出值的聚合方式。数组形式的值定义了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’: 所有输出的分数以均匀权重平均。

返回:

scorefloat 或 ndarray of floats: 具有绝对误差偏差的 \(D^2\) 分数，如果 'multioutput' 为 'raw_values'，则为分数的 ndarray。

注意事项

与 \(R^2\) 类似，\(D^2\) 分数可以是负数（它实际上不一定是数量 D 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，将返回 NaN 值。

References

[1]

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

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