d2_tweedie_score

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

D² Regressions-Score-Funktion, Bruchteil der erklärten Tweedie-Devianz.

Der bestmögliche Score ist 1,0 und er kann negativ sein (da das Modell beliebig schlechter sein kann). Ein Modell, das immer den empirischen Mittelwert 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 1.0.

Parameter:

y_truearray-ähnlich mit Form (n_samples,)

Wahrheitsgetreue (korrekte) Zielwerte.

y_predarray-ähnlich mit Form (n_samples,)

Geschätzte Zielwerte.

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

Stichprobengewichte.

powerfloat, Standard=0

Tweedie-Potenzparameter. Entweder power <= 0 oder power >= 1.

Je höher p ist, desto weniger Gewicht wird extremen Abweichungen zwischen wahren und vorhergesagten Zielwerten beigemessen.

• power < 0: Extreme stabile Verteilung. Erfordert: y_pred > 0.

• power = 0 : Normalverteilung, die Ausgabe entspricht r2_score. y_true und y_pred können beliebige reelle Zahlen sein.

• power = 1 : Poisson-Verteilung. Erfordert: y_true >= 0 und y_pred > 0.

• 1 < p < 2 : Zusammengesetzte Poisson-Verteilung. Erfordert: y_true >= 0 und y_pred > 0.

• power = 2 : Gamma-Verteilung. Erfordert: y_true > 0 und y_pred > 0.

• power = 3 : Inverse Gaußsche Verteilung. Erfordert: y_true > 0 und y_pred > 0.

• sonst : Positive stabile Verteilung. Erfordert: y_true > 0 und y_pred > 0.

Gibt zurück:

zfloat

Der D^2-Score.

Anmerkungen

Dies ist keine symmetrische Funktion.

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_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