mean_absolute_error

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

平均绝对误差回归损失。

阅读更多的 User Guide .

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误差的权重。

“raw_values”：

如果是多输出输入，返回完整的错误集。

'uniform_average'：

所有输出的误差以统一的权重进行平均。

返回:

loss浮动或浮动数组

如果多输出为“raw_values”，则分别返回每个输出的平均绝对误差。如果多输出是“unique_average”或ndweight数组，则返回所有输出错误的加权平均值。

MAE输出是非负浮点。最佳值是0.0。

示例

>>> from sklearn.metrics import mean_absolute_error
>>> y_true = [3, -0.5, 2, 7]
>>> y_pred = [2.5, 0.0, 2, 8]
>>> mean_absolute_error(y_true, y_pred)
0.5
>>> y_true = [[0.5, 1], [-1, 1], [7, -6]]
>>> y_pred = [[0, 2], [-1, 2], [8, -5]]
>>> mean_absolute_error(y_true, y_pred)
0.75
>>> mean_absolute_error(y_true, y_pred, multioutput='raw_values')
array([0.5, 1. ])
>>> mean_absolute_error(y_true, y_pred, multioutput=[0.3, 0.7])
0.85...