mean_squared_log_error

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

Mittlerer quadratischer logarithmischer Fehler für die Regression.

Lesen Sie mehr im Benutzerhandbuch.

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 von Fehlern verwendet werden.

‘raw_values’

Gibt einen vollständigen Satz von Fehlern zurück, wenn die Eingabe im Multioutput-Format vorliegt.

‘uniform_average’

Die Fehler aller Ausgaben werden mit einheitlichem Gewicht gemittelt.

Gibt zurück:

lossfloat oder ndarray von Floats

Ein nicht-negativer Gleitkommawert (der beste Wert ist 0.0) oder ein Array von Gleitkommawerten, einer für jedes einzelne Ziel.

Beispiele

>>> from sklearn.metrics import mean_squared_log_error
>>> y_true = [3, 5, 2.5, 7]
>>> y_pred = [2.5, 5, 4, 8]
>>> mean_squared_log_error(y_true, y_pred)
0.039...
>>> y_true = [[0.5, 1], [1, 2], [7, 6]]
>>> y_pred = [[0.5, 2], [1, 2.5], [8, 8]]
>>> mean_squared_log_error(y_true, y_pred)
0.044...
>>> mean_squared_log_error(y_true, y_pred, multioutput='raw_values')
array([0.00462428, 0.08377444])
>>> mean_squared_log_error(y_true, y_pred, multioutput=[0.3, 0.7])
0.060...