r2_score

sklearn.metrics.r2_score(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average', force_finite=True)

\(R^2\) （决定系数）回归评分函数。

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）。在一般情况下，当真实y为非常数时，总是预测平均y而忽略输入特征的常数模型将得到a \(R^2\) 评分0.0。

在特定情况下， y_true 是不变的， \(R^2\) 分数不是有限的：它要么是 NaN （完美预测）或 -Inf （不完美的预测）。为了防止这种非有限的数字污染更高级别的实验，例如网格搜索交叉验证，默认情况下，这些情况分别用1.0（完美预测）或0.0（不完美预测）替换。您可以设置 force_finite 到 False 以防止此修复发生。

注意：当预测残留均值为零时， \(R^2\) 分数与 Explained Variance score .

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'，'uniform_average'，'variance_weighted'}， 数组状的形状（n_outputs，）或无，默认值='uniform_average'

定义多个输出分数的聚合。类似数组的值定义用于平均分数的权重。默认为“unique_average”。

“raw_values”：

在多输出输入的情况下返回完整的分数集。

'uniform_average'：

所有输出的分数以统一的权重进行平均。

“方差_weighted”：

所有输出的分数均为平均值，并通过每个单独输出的方差加权。

在 0.19 版本发生变更: 多输出的默认值为“unique_average”。

force_finite布尔，默认=True

标志，指示是否 NaN 和 -Inf 由常数数据得出的分数应替换为实数 (1.0 如果预测完美， 0.0 否则）。默认值为 True ，超参数搜索过程（例如网格搜索交叉验证）的方便设置。

Added in version 1.1.

返回:

z浮动或浮动数组

的 \(R^2\) 如果“多输出”为“raw_values”，则score或ndscore数组。

注意到

这不是一个对称函数。

与大多数其他分数不同， \(R^2\) 分数可能是负的（它实际上不需要是量R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]

Wikipedia entry on the Coefficient of determination <https://en.wikipedia.org/wiki/Coefficient_of_determination> _

示例

>>> from sklearn.metrics import r2_score
>>> y_true = [3, -0.5, 2, 7]
>>> y_pred = [2.5, 0.0, 2, 8]
>>> r2_score(y_true, y_pred)
0.948...
>>> y_true = [[0.5, 1], [-1, 1], [7, -6]]
>>> y_pred = [[0, 2], [-1, 2], [8, -5]]
>>> r2_score(y_true, y_pred,
...          multioutput='variance_weighted')
0.938...
>>> y_true = [1, 2, 3]
>>> y_pred = [1, 2, 3]
>>> r2_score(y_true, y_pred)
1.0
>>> y_true = [1, 2, 3]
>>> y_pred = [2, 2, 2]
>>> r2_score(y_true, y_pred)
0.0
>>> y_true = [1, 2, 3]
>>> y_pred = [3, 2, 1]
>>> r2_score(y_true, y_pred)
-3.0
>>> y_true = [-2, -2, -2]
>>> y_pred = [-2, -2, -2]
>>> r2_score(y_true, y_pred)
1.0
>>> r2_score(y_true, y_pred, force_finite=False)
nan
>>> y_true = [-2, -2, -2]
>>> y_pred = [-2, -2, -2 + 1e-8]
>>> r2_score(y_true, y_pred)
0.0
>>> r2_score(y_true, y_pred, force_finite=False)
-inf