d2_tweedie_score

sklearn.metrics.d2_tweedie_score(y_true, y_pred, *, sample_weight=None, power=0)

\(D^2\) 回归评分函数，解释了Tweedie偏差的分数。

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）。一个总是使用经验平均值的模型 y_true 由于不考虑输入特征的持续预测，获得D#2评分为0.0。

阅读更多的 User Guide .

Added in version 1.0.

参数:

y_true形状类似阵列（n_samples，）

地面真相（正确）目标值。

y_pred形状类似阵列（n_samples，）

估计目标值。

sample_weight形状类似数组（n_samples，），默认=无

样本重量。

powerfloat，默认=0

Tweedie功率参数。功率<= 0或功率>= 1。

越高 p 真实目标和预测目标之间的极端偏差所赋予的权重就越小。

• 功率< 0: Extreme stable distribution. Requires: y_pred >0。

• power = 0：正态分布，输出对应于r2_score。y_true和y_pred可以是任何真实数字。

• 功效= 1：Poisson分布。需要：y_true >= 0且y_pred > 0。

• 1 < p < 2：复合Poisson分布。需要：y_true >= 0且y_pred > 0。

• 功率= 2：伽玛分布。需要：y_true > 0且y_pred > 0。

• 幂= 3：逆高斯分布。需要：y_true > 0且y_pred > 0。

• 否则：正稳定分布。需要：y_true > 0且y_pred > 0。

返回:

z浮动或浮动数组

D^2分数。

注意到

这不是一个对称函数。

与R#2一样，D#2得分可能是负的（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_tweedie_score
>>> y_true = [0.5, 1, 2.5, 7]
>>> y_pred = [1, 1, 5, 3.5]
>>> d2_tweedie_score(y_true, y_pred)
0.285...
>>> d2_tweedie_score(y_true, y_pred, power=1)
0.487...
>>> d2_tweedie_score(y_true, y_pred, power=2)
0.630...
>>> d2_tweedie_score(y_true, y_true, power=2)
1.0