d2_brier_score#

sklearn.metrics.d2_brier_score(y_true, y_proba, *, sample_weight=None, pos_label=None, labels=None)[source]#

\(D^2\) 分数函数，Brier 分数解释的比例。

可能的最佳分数为1.0，它可能是负值，因为模型可能比空模型差得多。空模型，也称为最优截距模型，是一个忽略输入特征，始终预测每类比例的 y_true 模型。空模型的 D^2 分数为 0.0。

在用户指南中了解更多信息。

参数:
y_true形状为 (n_samples,) 的 array-like

真实目标值。

y_proba形状为 (n_samples,) 或 (n_samples, n_classes) 的类似数组对象

预测的概率。如果 y_proba.shape = (n_samples,)，则提供的概率被假定为正类的概率。如果 y_proba.shape = (n_samples, n_classes)，则假定 y_proba 中的列对应于按字母顺序排列的标签，这与 LabelBinarizer 的做法一致。

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

样本权重。

pos_labelint, float, bool or str, default=None

正类的标签。pos_label 将按以下方式推断：

  • 如果 y_true 在 {-1, 1} 或 {0, 1} 中，pos_label 默认设置为 1；

  • 否则，如果 y_true 包含字符串，将引发错误，并且应明确指定 pos_label；

  • 否则，pos_label 默认设置为较大的标签，即 np.unique(y_true)[-1]。

labels形状为 (n_classes,) 的类数组对象, 默认为 None

当 y_proba.shape = (n_samples, n_classes) 时，类标签。如果未提供，将从 y_true 推断标签。

返回:
d2float

D^2 分数。

References

在本页