d2_pinball_score#

sklearn.metrics.d2_pinball_score(y_true, y_pred, *, sample_weight=None, alpha=0.5, multioutput='uniform_average')[源代码]#

\(D^2\) 回归评分函数，弹球损失的比例解释。

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）。总是使用经验阿尔法分位数的模型 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。

alpha浮点数，默认值=0.5

弹球偏差的倾斜度。它确定弹球偏差和D2为最佳的分位数水平阿尔法。默认 alpha=0.5 相当于 d2_absolute_error_score .

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 \(D^2\) 用弹球偏差或分数数组得分，如果 multioutput='raw_values' .

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）。

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

引用

[1]

当量(7)的 Koenker, Roger; Machado, José A. F. (1999). "Goodness of Fit and Related Inference Processes for Quantile Regression"

[2]

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_pinball_score
>>> y_true = [1, 2, 3]
>>> y_pred = [1, 3, 3]
>>> d2_pinball_score(y_true, y_pred)
np.float64(0.5)
>>> d2_pinball_score(y_true, y_pred, alpha=0.9)
np.float64(0.772...)
>>> d2_pinball_score(y_true, y_pred, alpha=0.1)
np.float64(-1.045...)
>>> d2_pinball_score(y_true, y_true, alpha=0.1)
np.float64(1.0)