d2_absolute_error_score

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

D² Regressions-Score-Funktion, Bruchteil des erklärten absoluten Fehlers.

Der bestmögliche Score ist 1,0 und kann negativ sein (da das Modell beliebig schlechter sein kann). Ein Modell, das immer den empirischen Median von y_true als konstante Vorhersage verwendet und die Eingabemerkmale ignoriert, erzielt einen \(D^2\)-Score von 0,0.

Lesen Sie mehr im Benutzerhandbuch.

Hinzugefügt in Version 1.1.

Parameter:

y_truearray-ähnlich mit Form (n_samples,) oder (n_samples, n_outputs)

Wahrheitsgetreue (korrekte) Zielwerte.

y_predarray-ähnlich mit Form (n_samples,) oder (n_samples, n_outputs)

Geschätzte Zielwerte.

sample_weightarray-like der Form (n_samples,), Standardwert=None

Stichprobengewichte.

multioutput{‘raw_values’, ‘uniform_average’} oder array-ähnlich mit Form (n_outputs,), Standard=‘uniform_average’

Definiert die Aggregation mehrerer Ausgabewerte. Ein array-ähnlicher Wert definiert Gewichte, die zur Mittelung der Scores verwendet werden.

‘raw_values’

Gibt einen vollständigen Satz von Fehlern im Falle einer Multioutput-Eingabe zurück.

‘uniform_average’

Scores aller Ausgaben werden mit einheitlichem Gewicht gemittelt.

Gibt zurück:

scorefloat oder ndarray aus floats

Der \(D^2\)-Score mit einer absoluten Fehlerabweichung oder ein ndarray von Scores, wenn ‘multioutput’ ‘raw_values’ ist.

Anmerkungen

Ähnlich wie \(R^2\) kann der \(D^2\)-Score negativ sein (er muss nicht tatsächlich das Quadrat einer Größe D sein).

Diese Metrik ist für einzelne Stichproben nicht gut definiert und gibt NaN zurück, wenn n_samples kleiner als zwei ist.

Referenzen

[1]

Gleichung (3.11) von Hastie, Trevor J., Robert Tibshirani und Martin J. Wainwright. „Statistical Learning with Sparsity: The Lasso and Generalizations.“ (2015). https://hastie.su.domains/StatLearnSparsity/

Beispiele

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