explained_variance_score#

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

解释方差回归分数函数。

最佳得分可能为 1.0，值越低越差。

在 y_true 为常数的特殊情况下，explained variance score 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污染网格搜索交叉验证等更高级别的实验，默认情况下，这些情况分别替换为 1.0（完美预测）或 0.0（不完美预测）。如果将 force_finite 设置为 False，则此分数将回退到原始 \(R^2\) 定义。

注意

Explained Variance score 与 R^2 score 相似，但前者不考虑预测中的系统偏移（例如线性模型中的截距，即不同的截距给出相同的 Explained Variance score）。通常应首选 R^2 score。

在用户指南中阅读更多内容。

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’, ‘variance_weighted’} 或形状为 (n_outputs,) 的 array-like，默认为 ‘uniform_average’

定义多个输出分数的聚合方式。Array-like 值定义用于平均分数的权重。

‘raw_values’: 在多输出输入的情况下返回一组完整的分数。
‘uniform_average’: 所有输出的分数以均匀权重平均。
‘variance_weighted’: 所有输出的分数都被平均，并按每个单独输出的方差加权。

force_finitebool, default=True

标志，指示是否应将由常数数据导致的 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，这是用于超参数搜索过程（例如网格搜索交叉验证）的便捷设置。

版本 1.1 中新增。

返回:

scorefloat 或 ndarray of floats: explained variance 或 ndarray（如果 ‘multioutput’ 为 ‘raw_values’）。

另请参阅

r2_score: 相似的度量，但考虑了预测中的系统偏移。

注意事项

这不是一个对称函数。

示例

>>> from sklearn.metrics import explained_variance_score
>>> y_true = [3, -0.5, 2, 7]
>>> y_pred = [2.5, 0.0, 2, 8]
>>> explained_variance_score(y_true, y_pred)
0.957...
>>> y_true = [[0.5, 1], [-1, 1], [7, -6]]
>>> y_pred = [[0, 2], [-1, 2], [8, -5]]
>>> explained_variance_score(y_true, y_pred, multioutput='uniform_average')
0.983...
>>> y_true = [-2, -2, -2]
>>> y_pred = [-2, -2, -2]
>>> explained_variance_score(y_true, y_pred)
1.0
>>> explained_variance_score(y_true, y_pred, force_finite=False)
nan
>>> y_true = [-2, -2, -2]
>>> y_pred = [-2, -2, -2 + 1e-8]
>>> explained_variance_score(y_true, y_pred)
0.0
>>> explained_variance_score(y_true, y_pred, force_finite=False)
-inf

explained_variance_score#

本页