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。

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

定义了多输出值聚合的方式。类数组值定义了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进行平均。

返回:

lossfloat or ndarray of floats: 一个非负浮点值（最佳值为0.0），或者一个浮点值数组，每个单独目标一个值。

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