d2_absolute_error_score

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

\(D^2\) 回归评分函数，绝对误差分数解释。

最好的可能分数是1.0，并且可以是负的（因为模型可以任意更差）。一个始终使用的经验中位数的模型 y_true 作为常数预测，忽略输入特征， \(D^2\) 评分0.0。

阅读更多的 User Guide .

Added in version 1.1.

参数:

y_true形状的类似阵列（n_samples，）或（n_samples，n_outputs）

地面真相（正确）目标值。

y_pred形状的类似阵列（n_samples，）或（n_samples，n_outputs）

估计目标值。

sample_weight形状类似数组（n_samples，），默认=无

样本重量。

multioutput' raw_values '、' unique_average '}或类似数组的形状 （n_outputs，），默认=' unique_average '

定义多个输出值的聚合。类似数组的值定义用于平均分数的权重。

“raw_values”：

如果是多输出输入，返回完整的错误集。

'uniform_average'：

所有输出的分数以统一的权重进行平均。

返回:

score浮动或浮动数组

的 \(D^2\) 如果“多输出”为“raw_values”，则具有绝对误差偏差或nd分数数组。

注意到

像 \(R^2\) , \(D^2\) 分数可能是负的（它实际上不需要是量D的平方）。

此指标对于单个样本没有明确定义，如果n_samples小于2，则将返回NaN值。

引用

[1]

当量（3.11）的Hastie，特雷弗J，Robert Tibshirani和Martin J. Wainwright。Sparsity的统计学习：套索和泛化。“（2015年）。https://hastie.su.domains/StatLearnSparsity/

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)
np.float64(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')
np.float64(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)
np.float64(1.0)
>>> y_true = [1, 2, 3]
>>> y_pred = [2, 2, 2]
>>> d2_absolute_error_score(y_true, y_pred)
np.float64(0.0)
>>> y_true = [1, 2, 3]
>>> y_pred = [3, 2, 1]
>>> d2_absolute_error_score(y_true, y_pred)
np.float64(-1.0)